Ce projet propose une formation d'introduction à l'apprentissage profond et à la bibliothèque PyTorch. Il met à disposition des notebooks Jupyter pour explorer des concepts fondamentaux comme la régression linéaire, les réseaux de neurones artificiels et l'optimisation de modèles. Destiné aux débutants, il inclut également des exercices pratiques et un bonus sur l'apprentissage par transfert.

Ce projet propose un environnement conteneurisé léger et optimisé pour Python 3.10, intégrant PyTorch 1.13.1 avec support CUDA 11.7. Il facilite le déploiement de solutions d'apprentissage automatique et de calcul scientifique en réduisant les dépendances inutiles. Destiné aux chercheurs et développeurs, il permet une installation rapide et reproductible des outils nécessaires pour exploiter les GPU NVIDIA.

DeepPPI est un projet de recherche en bioinformatique utilisant l'apprentissage profond pour prédire les interactions entre protéines à partir de leurs séquences. Il propose des modèles basés sur des architectures PyTorch et Keras, permettant d'entraîner et d'évaluer des réseaux de neurones sur des jeux de données spécifiques. Les résultats peuvent être utilisés pour approfondir la compréhension des mécanismes biologiques fondamentaux.

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 propose une image Docker légère basée sur Miniconda et CentOS 7, intégrant PyTorch avec support CUDA 10.2. Destinée aux environnements d'intégration continue (CI), elle facilite le déploiement et le test de modèles d'apprentissage profond dans des pipelines automatisés. L'image est optimisée pour une utilisation en recherche ou en production, garantissant une compatibilité et une reproductibilité accrues.

Ce projet est un tutoriel sur l'apprentissage de réseaux de neurones et l'optimisation de fonctions différentiables à l'aide de PyTorch. Il couvre les bases de Python, la manipulation de tenseurs, l'automatic differentiation, et l'apprentissage automatique.

Fed-BioMed est une plateforme open source dédiée à la recherche biomédicale utilisant des approches décentralisées pour l'analyse statistique et l'apprentissage automatique. Elle permet aux chercheurs de collaborer sur des données sensibles sans les centraliser, en appliquant des techniques de machine learning fédéré. Le projet s'appuie sur des outils comme PyTorch et Scikit-learn pour développer et déployer des analyses fédérées dans des applications médicales réelles, tout en préservant la confidentialité des données.

Ce projet propose un exemple d'entraînement de modèles de classification d'images utilisant l'architecture PyTorch. Il permet de configurer et exécuter des sessions d'apprentissage sur des jeux de données standardisés comme Tiny-ImageNet. L'objectif est de démontrer des bonnes pratiques en matière de traitement d'images et d'optimisation des hyperparamètres pour des tâches de reconnaissance visuelle.

Ce projet propose une image Docker et un environnement conda optimisés pour installer PyTorch avec support CUDA 11.7 sur Python 3.10. Il vise à réduire l'empreinte mémoire tout en offrant une configuration prête à l'emploi pour le développement et l'exécution de modèles d'apprentissage profond. Idéal pour les chercheurs et développeurs en intelligence artificielle nécessitant une infrastructure GPU performante et légère.

Ce projet rassemble des sous-modules de dépôts Git dédiés au profilage de modèles d'apprentissage automatique. Il permet de tester et comparer les performances de différents frameworks (PyTorch, TensorFlow2) sur des modèles variés (ResNet-50, BERT, DLRM) avec des jeux de données standardisés comme ImageNet ou Criteo. L'objectif est d'identifier les optimisations possibles pour améliorer l'efficacité des modèles.