Ce projet propose une image Docker basée sur NVIDIA CUDA 11.0, conçue pour faciliter la compilation et les tests dans des environnements nécessitant des capacités GPU. Utilisée principalement pour des pipelines CI/CD, elle permet aux développeurs de standardiser leurs environnements de développement et de test, garantissant ainsi une compatibilité et une reproductibilité accrues dans les projets nécessitant des calculs accélérés par GPU.

Ce projet propose une image Docker légère basée sur CentOS 7, intégrant Miniconda, PyTorch avec CUDA 11.3 et JupyterLab. Destiné aux environnements de développement et d'intégration continue, il permet aux chercheurs et développeurs de créer des notebooks interactifs pour l'apprentissage profond. L'image est optimisée pour les calculs accélérés par GPU et est hébergée sur l'infrastructure interne du Pasteur Institute.

Ce projet fournit un conteneur CentOS-7 préconfiguré avec Miniconda et CUDA 9.2 pour accélérer les calculs GPU sur des nœuds dédiés (K80, M40, P100). Il permet d'exécuter des applications scientifiques ou d'apprentissage profond sans problème de compatibilité kernel. Utilisable sur des infrastructures HPC comme TARS, il facilite le déploiement et l'optimisation des ressources pour des tâches intensives en calcul.

Ce projet propose un environnement conteneurisé léger basé sur Miniconda, spécialement configuré pour Python 3.10 et PyTorch avec support CUDA 11.7. Il vise à réduire l'empreinte mémoire tout en offrant une solution prête à l'emploi pour les développeurs en intelligence artificielle ou en calcul scientifique nécessitant des accélérations GPU. Compatible avec Docker et Singularity/Apptainer, il facilite le déploiement et la reproductibilité des projets.

Ce projet permet d'exécuter des opérations de calcul matriciel sur des cartes graphiques compatibles CUDA. Il est conçu pour accélérer les traitements intensifs de données numériques, notamment dans des domaines comme la simulation scientifique, l'analyse de données ou le machine learning. Le code source fourni permet de compiler et d'exécuter des additions de matrices en exploitant la puissance parallèle des GPU.

Projet dédié à l'optimisation et à l'accélération de calculs intensifs en utilisant des technologies comme CUDA et nvC++. Il permet de tester et comparer les performances des calculs parallèles sur CPU et GPU, notamment pour des applications scientifiques ou industrielles nécessitant des ressources de calcul avancées. Le projet inclut des outils de calibration, de benchmarking et des exemples pratiques pour évaluer l'efficacité des algorithmes.