Si vous envisagez le Machine Learning, a fortiori le Deep Learning (apprentissage profond), de manière sĂ©rieuse, alors inĂ©luctablement se pose Ă  un moment, la question de l’hĂ©bergement de vos logiciels et de vos donnĂ©es.

Si vous ĂŞtes Ă  l’aise avec le HW, vous pouvez bien sĂ»r crĂ©er votre propre Deep Learning Box, ce qui vous coĂ»tera un peu moins de 1000 €. Par contre, vous devrez y consacrer beaucoup de temps car il vous faudra aussi ajouter les OS, libraires, environnements, …

Le plus simple est quand mĂŞme le Cloud. Et encore plus simple, un Cloud dĂ©diĂ© au Machine Learning ! (cf. RepĂ©rer les cancers).

Cet article présente quelques solutions.

D’une manière gĂ©nĂ©rale – c’est Ă  dire non spĂ©cifique au DL – les leaders du Cloud sont : AWS (Amazon Web Services), GCP (Google Cloud Platform) et Microsoft Azure. Ils ont tous leur propre solution pour le DL.

Il faut ajouter à ceux-là quelques acteurs spécifiques (Paperspace, Crestle, FloydHub, Nimbix)

L’objectif n’est pas de faire ici une comparaison de toutes ces plateformes, qui rapidement serait obsolète Ă  peine Ă©crite Ă©tant donnĂ© les Ă©volutions rapides dans ce domaine, mais d’informer de leur existence.

GCP

Lorsqu’on utilise Tensorflow, il paraĂ®t logique d’utiliser GCP et Cloud Machine Learning Engine. Ce n’est pas forcĂ©ment très simple mais c’est ce qui semble le plus logique.

Référez-vous au tutoriel de Google pour la démarche et à leurs prix.

AMI AWS Deep Learning

Amazon a bien sĂ»r un Ă©quivalent de GCP, avec en plus des prĂ©-configurations pour TF (TensorFlow), Gluon, Theano, Keras, …

Azure Machine Learning

Microsoft n’est pas en reste. Leurs services sont beaucoup plus intuitifs et donc correspondent mieux Ă  des dĂ©butants.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *