Plateforme de développement GPU destinée à la communauté du CPPM (Centre de Physique des Particules de Marseille). Elle permet aux utilisateurs de lancer des instances JupyterLab sur des nœuds GPU, avec des environnements préconfigurés (JAX, TensorFlow, PyTorch) ou personnalisables. L'intégration de MLflow facilite le suivi des expériences de machine learning. La plateforme est conçue pour être testée et améliorée grâce aux retours des utilisateurs.

Ce projet fournit une image Docker permettant de construire et d'exécuter TensorFlow sur un système CentOS 6 x86_64. Il facilite le déploiement d'environnements de développement pour l'apprentissage automatique dans des environnements anciens ou spécifiques, sans nécessiter de configuration complexe.

Ce projet propose une image Docker légère basée sur CentOS 7 et intégrant Miniconda avec TensorFlow GPU. Destiné aux environnements d'intégration continue (CI), il facilite le déploiement et le test de modèles d'intelligence artificielle dans des conditions reproductibles. L'image est optimisée pour les workflows automatisés et les pipelines de développement.

Ce projet fournit une recette Singularity pour construire un conteneur TensorFlow à partir d'une image Docker CentOS 7. Il facilite la création d'environnements reproductibles et isolés pour le développement et le déploiement de modèles d'intelligence artificielle, en simplifiant le processus de bootstrap et en garantissant la compatibilité avec les infrastructures existantes.

Ce projet fournit une recette Singularity pour construire un conteneur Docker basé sur CentOS 6, optimisé pour exécuter TensorFlow. Il facilite le déploiement d'environnements reproductibles dédiés au machine learning, en encapsulant toutes les dépendances nécessaires dans un format portable et isolé. Idéal pour les chercheurs et développeurs souhaitant standardiser leurs environnements de travail sans se soucier des conflits de versions ou des configurations système complexes.

Ce projet propose une image Docker dédiée à la construction et à l'exécution de TensorFlow sur un système CentOS 7 en architecture x86_64. Il facilite l'installation et la configuration de TensorFlow dans un environnement isolé et reproductible, idéal pour les développeurs ou les chercheurs souhaitant travailler avec cette bibliothèque d'apprentissage automatique sans gérer manuellement les dépendances complexes.

Ce projet permet de construire une image Docker basée sur CentOS 6 intégrant Bazel, un outil de build logiciel. L'objectif final est de faciliter la compilation de projets comme TensorFlow dans un environnement isolé et reproductible. Il s'adresse principalement aux développeurs et équipes techniques cherchant à standardiser leurs processus de build.