Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Notoriété 7 %Talon est un logiciel open source dédié au traitement des tractogrammes en neuroimagerie. Il permet de transformer des données de tractographie cérébrale en opérateurs linéaires pour faciliter leur analyse et leur filtrage. Le projet propose des outils pour résoudre des problèmes inverses liés à la reconstruction de réseaux neuronaux et optimise les calculs grâce à l'utilisation de processeurs graphiques (GPU). Développé dans le cadre de recherches en neurosciences, il s'adresse aux scientifiques et cliniciens travaillant sur l'imagerie cérébrale.
- Les informations disponibles sur ce projet sont limitées. Le dépôt de code source semble lié à des calculs ou traitements utilisant des accélérateurs GPU (OpenCL, NVIDIA), mais sans documentation supplémentaire, il est impossible de déterminer ses cas d'usage métiers ou son objectif principal.
- Outil conçu pour faciliter l'utilisation des frameworks de deep learning (TensorFlow et PyTorch) dans un environnement où les GPUs sont partagés entre plusieurs utilisateurs. Il permet d'automatiser le choix et la configuration des GPUs disponibles, en limitant la mémoire allouée et en optimisant l'allocation des tâches pour éviter les conflits et maximiser l'efficacité des ressources.
- Bibliothèque logicielle open source dédiée au calcul scientifique et à l'algèbre linéaire haute performance. Elle fournit des outils pour manipuler des matrices denses et creuses, résoudre des systèmes linéaires, effectuer des opérations de compression/décompression de matrices, et optimiser les calculs via des accélérations matérielles (GPU/CPU). Utilisée pour des simulations numériques, des problèmes d'algèbre linéaire et des applications nécessitant des performances élevées.
- Ce projet est un wrapper pour la bibliothèque CUDA Neural Network (cudnn), conçu pour simplifier son utilisation et la configuration système associée. Il s'agit d'un outil technique destiné aux développeurs travaillant avec des réseaux de neurones sur GPU, permettant une intégration plus aisée des fonctionnalités de cudnn dans leurs projets. Le wrapper est développé sous licence CeCILL-C et repose sur le système PID pour la gestion de build et de déploiement.
- Ce projet est un wrapper autour de la bibliothèque NCCL (NVIDIA Collective Communications Library) développée par NVIDIA. Il permet de simplifier l'utilisation de NCCL pour les communications collectives entre GPU, notamment dans des environnements de calcul haute performance. Le wrapper est conçu pour faciliter la configuration système et l'intégration de NCCL dans des projets existants. Il est développé dans un cadre académique et de recherche, notamment au CNRS et au LIRMM.
- Outil dédié au suivi et à la surveillance de l'utilisation des GPU sur les serveurs du laboratoire LIP6 de l'UPMC à Paris. Il collecte régulièrement des données via des scripts Bash et Python exécutant des commandes comme `nvidia-smi` et `ps`, puis affiche ces informations sous forme de rapports accessibles via une interface web. Les administrateurs peuvent ainsi identifier les serveurs sous charge, les processus consommateurs de ressources ou les anomalies de performance.
- Ce projet fournit un environnement de compilation dédié à l'outil nvcc de NVIDIA, permettant de configurer et gérer les outils de build pour les projets utilisant des GPU NVIDIA. Il s'intègre dans un espace de travail PID pour uniformiser les procédures de compilation et faciliter le développement d'applications compatibles avec les architectures CUDA. Le projet est maintenu par le CNRS/LIRMM et distribué sous licence CeCILL-C.
- Ce projet est un wrapper pour OpenCL, une technologie permettant d'exploiter les capacités de calcul parallèle des cartes graphiques. Il facilite l'installation, la configuration et l'utilisation d'OpenCL en fournissant une interface simplifiée. Développé par le CNRS et le LIRMM, il s'adresse aux développeurs souhaitant intégrer des calculs accélérés par GPU dans leurs applications sans gérer les complexités techniques sous-jacentes.
9Â initiatives
10