FLORIAN BOBO
Expert IA & MLOps
Passionné par la convergence entre l'ingénierie logicielle et les mathématiques, je bidouille des systèmes intelligents robustes et scalables.
// Pour en savoir plus, initiez le protocole :
JUMEAU NUMÉRIQUE
MODÈLE :
nvidia/nemotron-3.5-lightning:free
Mes Projets
Coming soon...
MLP Studio From Scratch
Réseau de neurones profond écrit from scratch (3 couches cachées · 22 neurones · Swish/SiLU · Adam + L1 + élagage) — approximation de fonctions en temps réel.
Générateur de Fonction (4 termes)
f(x) = ...
Hyperparamètres
Epoch: 0
Train Loss (MSE): —
Validation (25 pts)
NMAE—
R²—
Max Error—
Topologie du Réseau
Approximation de Fonction
● Train
● Val
— NN
Hardware Lab CPU vs GPU
Latence séquentielle (CPU) vs Parallélisme massif SIMT (GPU).
CPU (Sprinter) : 4 cœurs @ 4.5 GHz · Accès direct RAM 80 Go/s
GPU (Armée) : 256 cœurs @ 1.8 GHz · VRAM interne 3000 Go/s
Goulot PCIe 5.0 (32 Go/s) : Tout calcul GPU exige de copier d'abord les données de la RAM vers la VRAM
Charge de calcul
Vainqueur : GPU (Parallélisme massif SIMT)
~8x à 10x plus rapide
Pourquoi ?
La multiplication matricielle (C = A × B) est découpée en millions d'opérations d'accumulation indépendantes.
Architecture :
256 cœurs SIMT (16 SMs × 16 ALUs) alimentés à 3000 Go/s par le bus HBM3 4096-bit vs boucles séquentielles sur 4 cœurs CPU.
Télémétrie
CPU (4 cœurs)
GPU (256 cœurs)
Architecture & Flux
● CPU (Séquentiel)
● GPU (Parallèle)