Action Exploratoire

df4dl

Modèles flot de données pour l'apprentissage profond
Modèles flot de données pour l'apprentissage profond

Les modèles de calcul flot de données représentent les programmes comme un graphe de nœuds de calcul reliés par des canaux de communication. Ces modèles jouissent de nombreux avantages comme une sémantique déterministe et des analyses statiques qui leur assurent des implémentations hautement parallèles. Jusqu'à présent, leurs domaines de prédilection ont été les applications multimédia et le traitement du signal. Pourtant les modèles flot de données semblent particulièrement bien adaptés à représenter des réseaux de neurones. Le but de l'action exploratoire DF4DL est d'étudier l'apport des modèles flot de données pour la mise en œuvre des réseaux de neurones en particulier ceux exhibant de la dynamicité (modifications et reconfigurations). L'action vise à obtenir de meilleures performances et une moindre consommation énergique de l'apprentissage profond.

Équipe(s) impliquée(s)
SPADES

Membres

Pascal Fradet

Responsable scientifique

Alain Girault

Co-responsable scientifique