blog post

_doc/sphinxdoc/source/blog/2019/2019-12-22_autokeras.rst → _doc/sphinxdoc/source/blog/2019/2019-01-22_autokeras.rst

@@ -5,7 +5,7 @@
     :date: 2019-01-22
     :categories: automl
 
-    `auto-keras <https://autokeras.com/>`_, 
+    `auto-keras <https://autokeras.com/>`_,
     `Auto-Keras: Efficient Neural Architecture Search with Network Morphism <https://arxiv.org/abs/1806.10282>`_ ...
     A priori le module est capable de déterminer l'architecture
-    la plus efficace.
+    la plus efficace.

_doc/sphinxdoc/source/blog/2019/2019-02-03_tvm.rst

@@ -0,0 +1,32 @@
+
+.. blogpost::
+    :title: Optimisation de calcul sur GPU
+    :keywords: tvm
+    :date: 2019-02-03
+    :categories: GPU
+
+    `tvm <https://tvm.ai/>`_ est une librarie de calcul
+    GPU hébergée sur `github/tvm <https://github.com/dmlc/tvm>`_
+    et démarré par les concepteurs de
+    `xgboost <https://github.com/dmlc/xgboost>`_.
+    C'est une librairie de calcul sur GPU un peu
+    comme :epkg:`cupy` avec un petit bout de
+    :epkg:`chainer`.
+
+    Le projet :epkg:`tvm` dit s'être inspiré entre autres
+    de `Halide <https://github.com/halide/Halide>`_.
+    La lecture des présentations citées sur la première
+    page de la `documentation <http://halide-lang.org/>`_
+    sont intéressantes et donnent des idées sur la façon
+    de coder en GPU.
+
+    Pour résumer, les libraires comme :epkg:`tvm` optimisent
+    les calculs GPU par rapport à d'autres plus bas
+    niveau comme :epkg:`pycuda`. Ces librairies agencent
+    les calculs de façon efficace dans la plupart des cas
+    mais pas forcément de façon optimale. En gros, on code
+    beaucoup plus vite pour une performance plus que raisonnable
+    même si ça ne produit pas nécessairement le code optimal.
+
+    Il y a beaucoup de mouvements dans le domaine du
+    GPU en ce moment.

_doc/sphinxdoc/source/chapters/deep_learning_theorique.rst

@@ -7,7 +7,6 @@
 Deep Learning Théorique
 +++++++++++++++++++++++
 
-
 *Lectures*
 
 * `Lecture notes on mathematics for deep neural networks <http://pub.math.leidenuniv.nl/~schmidthieberaj/publications/Script.pdf>`_,
@@ -16,4 +15,4 @@ Deep Learning Théorique
 * `Deep Learning Methods and Applications <https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/DeepLearning-NowPublishing-Vol7-SIG-039.pdf>`_,
   Li Deng and Dong Yu
 * `Deep Learning <http://www.deeplearningbook.org/front_matter.pdf>`_, Ian Goodfellow, Yoshua Bengio, Aaron Courville
-* `Why Does Unsupervised Pre-training Help Deep Learning? <http://www.jmlr.org/papers/volume11/erhan10a/erhan10a.pdf>`_ 
+* `Why Does Unsupervised Pre-training Help Deep Learning? <http://www.jmlr.org/papers/volume11/erhan10a/erhan10a.pdf>`_

_doc/sphinxdoc/source/conf.py

@@ -57,16 +57,20 @@
 epkg_dictionary.update({
     'apprentissage profond': 'https://fr.wikipedia.org/wiki/Apprentissage_profond',
     'auto-keras': 'https://autokeras.com/',
+    'chainer': 'https://chainer.org/',
+    'cupy': 'https://cupy.chainer.org/',
     'deep learning': 'https://en.wikipedia.org/wiki/Deep_learning',
     'ENSAE': 'http://www.ensae.fr/',
     'GIL': 'http://www.xavierdupre.fr/app/teachpyx/helpsphinx/notebooks/gil_example.html',
     'itérateur': 'https://fr.wikipedia.org/wiki/It%C3%A9rateur',
     'keras': 'https://keras.io/',
     'map/reduce': 'https://fr.wikipedia.org/wiki/MapReduce',
     'numba': 'https://numba.pydata.org/',
+    'pycuda': 'https://documen.tician.de/pycuda/',
     'pytorch': 'https://pytorch.org/',
     'sqlite3': "https://docs.python.org/3.6/library/sqlite3.html",
     'SQL': 'https://fr.wikipedia.org/wiki/Structured_Query_Language',
     'Tensorflow': 'https://www.tensorflow.org/',
     'TensorFlow': 'https://www.tensorflow.org/',
+    'tvm': 'https://docs.tvm.ai/index.html',
 })