1. Machine Learning sur des serveurs Jupyter avec GPU#
Utilisation de GPU sur un serveur jupyter/nbgrader
Les ressources de calcul HPC sur des serveurs de cours Jupyter/nbgrader i sont partagées entre tous les utilisateurs. Il faut absolument en tenir compte lorsque que l’on execute un calcul d’IA computationnelle, en particulier dans un environnement jupyter partagé entre plusieurs utilisateurs.
La majorité des outils d’IA utilisés sont optimisés pour utiliser au maximum toutes les ressources disponibles sur la machine, ce qui est optimal dans le cas d’un seul utilisateur par machine. Par contre dans un environnement de cours où toutes les ressources sont partagées entre tous les étudiants suivant le cours, cette stratégie est catastrophique et donc inutilisable. Pour pallier ce problème, il faut absolument mettre en place des stratégies pour le partage des ressources CPU et GPU et le partage de la mémoire du GPU dans l’environnement JupyterLab. Ces stratégies ont été décrite dans la présentation suivante:
Nous présentons dans la suite, la mise en oeuvre de ces stratégies dans un environnement de cours sous Jupyter/nbgrader.