Outils indispensables à la pratique

1. GPU et CPU

Classiquement, un ordinateur dispose d’un ou plusieurs processeurs (nommés CPU pour Central Processing Unit, ou unité centrale de traitement). Ces processeurs effectuent tous les calculs nécessaires à l’exécution des divers programmes.

Les ordinateurs disposent également d’une carte graphique, qui peut être intégrée au CPU, ou séparée.

Ces cartes, nommées GPU pour Graphical Processing Units (unités de traitement graphique en français), et initialement développées pour le rendu graphique, contiennent des milliers d’unités de calcul, quand un CPU n’en contient qu’une dizaine.

Ces dernières années, ces cartes graphiques ont été optimisées pour réaliser des calculs extrêmement rapidement. L’entraînement d’un réseau de neurones pour le traitement d’images étant extrêmement coûteux en temps de calcul, ces opérations sont généralement effectuées sur des cartes graphiques.

Ces cartes permettent de réaliser plus rapidement toutes les étapes d’entraînement et d’exploitation d’un réseau de neurones ; le facteur d’accélération dépend fortement de facteurs tels que la taille du réseau ou la taille du jeu de données. Dans certains cas, il est possible d’accélérer plus de cent fois les calculs en utilisant une carte GPU plutôt qu’une carte CPU.

L’utilisation de ces cartes a toutefois deux inconvénients....

1. Fondamentaux d’un jeu de données d’entraînement

Pour être le plus performant possible, un modèle d’apprentissage profond doit être entraîné sur un ensemble dont les images remplissent les conditions suivantes :

De plus, il est important de prendre en compte les biais éventuels du modèle dès la constitution du jeu de données qui sera utilisé pour l’entraînement.

Par exemple, les images trouvées sur Internet contiennent souvent des différences liées au genre, à l’âge ou à la couleur de peau. Si ces biais ne sont pas corrigés dans les données d’entraînement, ils se répercuteront...

1. Python

Python est le langage le plus utilisé en apprentissage automatique.

C’est un langage d’accès facile, et, une fois écrit, le code est facilement lisible. Il existe un grand nombre de librairies spécialisées pour l’apprentissage profond qui facilitent le développement dans ce langage.

À l’exécution, le code écrit en Python est généralement plus lent que celui écrit avec des langages compilés comme le C++. Cependant, pour un projet typique d’apprentissage profond, la majorité du code rédigé en Python ne sert qu’à appeler des fonctions issues de librairies, qui sont, pour la plupart, codées en C ou C++, et appelées en Python. Le code final est donc aussi rapide que s’il avait été écrit en C ou en C++.

2. Librairies spécifiques

OpenCV est une librairie de traitement d’images qui n’est pas spécifique à l’apprentissage profond, mais qui propose des outils génériques pour la lecture, l’écriture, et le traitement d’images. Nous utiliserons cette librairie dans tous les exemples de ce livre.

NumPy est une librairie qui propose des outils pour le traitement de matrices de grandes dimensions. Les images lues par OpenCV sont stockées en mémoire comme des matrices NumPy. Ces deux librairies sont donc étroitement liées.

Pandas est une librairie d’analyse de données. Elle propose différents formats pour représenter les données, dont les DataFrames, qui permettent de représenter des données bidimensionnelles, comme des listes d’images à traiter avec leurs noms, tailles et classe. Ces données peuvent très facilement être groupées, filtrées, ou combinées.

Scikit-learn est une librairie pour l’apprentissage automatique. Elle fournit notamment des outils pour calculer et visualiser différentes métriques, et séparer les données en différents groupes pour l’entraînement et les tests.

3. Frameworks pour l’apprentissage profond

Il existe une grande quantité de frameworks permettant de faire de l’apprentissage profond : PyTorch, développé...

1. Ouvrir les exemples de ce livre dans Google Colab

L’avantage à ouvrir les exemples de ce livre dans Google Colab est que vous n’aurez rien à installer. De plus, vous disposerez d’un accès gratuit à des GPU, mais sans garantie de stabilité d’accès. Notez qu’il vous faudra disposer d’un compte Google.

La procédure est la suivante :

2. Ouvrir les exemples de ce livre localement

Les avantages d’ouvrir les exemples de ce livre localement sont que vous maîtrisez les versions de toutes les librairies que vous utilisez.

Par contre, le temps de calcul peut être long pour certains exemples si vous ne disposez pas d’une carte graphique. De plus, l’installation de toutes les librairies nécessaires peut être laborieuse.

Nous allons détailler dans cette partie la procédure à suivre pour pouvoir utiliser localement les notebooks associés à ce livre.

Les cas pratiques que nous allons rencontrer dans ce livre ont tous été développés dans un environnement Windows 64 bits, et c’est ce type d’installation qui va être décrit ici.