Optimisations d’apprentissage automatique de haut niveau

On a beaucoup parlé ces derniers temps des meilleurs langages pour les applications d’apprentissage automatique. Python est un grand nom sur cette liste, non pas en raison de sa vitesse mais en raison de sa commodité. Il vous permet d’assembler rapidement des systèmes d’apprentissage automatique à partir de composants écrits dans des langages plus rapides, comme Rust, par exemple.

Cependant, bien que Rust ait une vitesse, une sécurité de type et d’autres fonctionnalités tant vantées, il lui manque quelques fonctionnalités qui le rendraient bien adapté au développement d’applications d’apprentissage automatique, notamment la possibilité de développer des modèles d’apprentissage automatique entièrement dans Rust.

Les plus grandes omissions concernent les tenseurs et les matrices et leurs opérations, c’est-à-dire les structures de données et les calculs utilisés pour créer des applications d’apprentissage automatique. Rust prend en charge les opérations matricielles, mais ne prend pas encore en charge la compilation et le déploiement de code pour ces opérations sur du matériel d’accélération dédié comme les TPU. Rust manque également d’optimisations de niveau supérieur pour ces structures de données, comme la possibilité de les réorganiser ou de les combiner lors de la compilation, ce qui serait efficace sur n’importe quel matériel (CPU, GPU, TPU, etc.).

A lire également