Outil de monitoring léger et sans base de données dédié à l'analyse des performances des GPU. Il permet de visualiser en temps réel ou de manière historique l'utilisation des ressources (pourcentage d'usage, mémoire, énergie, température, vitesse des ventilateurs) ainsi que les processus en cours. Conçu pour les administrateurs système ou les chercheurs en sciences sociales computationnelles, il facilite l'optimisation des infrastructures équipées de GPU.

GPUSched est un ordonnanceur en temps réel dédié aux charges de travail sur GPU. Il permet d'optimiser l'utilisation des ressources graphiques en planifiant efficacement les tâches pour respecter les échéances et maximiser les performances. Adapté aux environnements nécessitant une gestion fine des ressources, il est particulièrement utile dans les systèmes embarqués ou les applications critiques où la latence et la réactivité sont essentielles.

Ce projet propose des outils et méthodes pour optimiser les calculs intensifs sur GPU, notamment dans le domaine de la simulation scientifique. Il inclut des bibliothèques et frameworks dédiés à l'accélération des traitements parallèles, ainsi que des ressources pédagogiques pour former les utilisateurs à ces technologies. Destiné aux chercheurs et ingénieurs, il facilite la mise en œuvre de solutions haute performance pour des applications variées.

Ce projet fournit des outils et des environnements configurés pour exécuter des calculs intensifs sur des clusters GPU. Il facilite la soumission de tâches de calcul scientifique, d'apprentissage automatique ou de simulation numérique via des images conteneurisées optimisées pour les architectures NVIDIA. Destiné aux chercheurs et ingénieurs, il permet d'exploiter efficacement les ressources GPU disponibles dans un cadre académique ou industriel.

Le projet rstudio-gpu est une image Docker contenant RStudio et CUDA, permettant de travailler avec des données en bénéficiant des ressources GPU. Il s'agit d'un environnement dédié aux traitements de données, offrant un espace de travail optimisé pour les analyses et le développement d'applications de traitement de données.

Outil conçu pour faciliter l'utilisation des frameworks de deep learning (TensorFlow et PyTorch) dans un environnement où les GPU sont partagés entre plusieurs utilisateurs. Il automatise la configuration des ressources GPU, permet de limiter la mémoire allouée par application et propose des stratégies d'allocation adaptées pour optimiser les performances et éviter les conflits.

Projet logiciel open source dédié à l'optimisation et à la gestion des ressources entre processeurs (CPU) et unités de traitement graphique (GPU). Permet d'améliorer les performances des applications intensives en calcul.

Ce projet permet de calculer et d'analyser les historiques d'utilisation des ressources CPU et GPU. Il est principalement utilisé dans un contexte académique ou de recherche pour optimiser les performances des systèmes informatiques et comprendre l'efficacité des calculs parallèles.

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.

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.