AMAL 2021-2022

Cours

TME

  • Doc PyTorch
  • Avant chaque TME, penser à exécuter pip install -r http://webia.lip6.fr/~baskiotisn/requirements-amal.txt afin de profiter de l’environnement avec tous les modules installés.
  • Sur les machines de la ppti, l’environnement peut être activé en exécutant : source /users/nfs/Enseignants/baskiotis/venv/3.7/amal/bin/activate
  • Trois salles de la ppti sont équipées de bons GPUs (RTX 2080) : la 502, la 509 et la 407. Pour se connecter, en ssh en passant par la passerelle ssh.ufr-info-p6.jussieu.fr,  puis ppti-14-502-XX (XX=01 à 16) ou ppti-14-407-XX.
  • Vous pouvez lancer un jupyter lab a distance sur ces machines : il faut pour cela rajouter dans votre .ssh/config (sous linux)

Host ppti 
User votre_login 
Hostname ssh.ufr-info-p6.jussieu.fr 
Host *.ppti User votre_login 
ProxyCommand ssh ppti -W $(basename %h .ppti):%p

Puis faire ssh -L8888:localhost:8888 ppti-14-502-XX.ppti et lancer jupyter lab sur la machine distance. En local, vous utilisez l’adresse habituelle de jupyter, http://localhost:8888.
En plus du /tmp, vous avez également un répertoire /tempory qui est semi-permanent (n’est pas nettoyé à chaque reboot, mais plus rarement) de plus de 300Go, dans lequel vous pouvez travailler quand vous avez besoin de place.

Semaine 1

Objectifs : prise en main de pytorch, implémentation d’une fonction au sens de pytorch, descente de gradient, dérivation chaînée.

Semaine 2

Objectifs :Autograd, Modules.
Installer datamaestro et datamaestro-ml pour avoir facilement accès aux jeux de données des TMEs.

Semaine 3

Objectifs : Modules (fin), tensorboard, GPU, checkpointing, Dataset, Dataloader

Semaine 4

Objectifs : Réseaux récurrents, classification de séquences, forecasting, génération de texte, softmax, cross entropie et embeddings (intro).

Semaine 5

Objectifs : LSTM et GRU, padding, batch de séquences de tailles variables, beam-search