Machine learning : Facebook vise les terminaux mobiles avec PyTorch 1.3
Facebook dote PyTorch d’une fonctionnalité expérimentale destinée à favoriser le déploiement de modèles IA sur les terminaux mobiles.
Pourquoi tel algorithme produit-il tels résultats ?
Cette problématique d’explicabilité, Facebook l’aborde avec un outil nommé Captum.
Il en a annoncé le lancement en marge d’une mise à jour de sa bibliothèque d’apprentissage machine PyTorch.
La voilà en version 1.3, avec plusieurs fonctionnalités expérimentales :
- PyTorch Mobile, outil qui allie la conception de modèles et leur implémentation sur iOS et Android
- Un système de nommage des tenseurs (objets mathématiques) destiné à rendre le code plus lisible
- La prise en charge, à différents niveaux, de la quantification.
La technique permet de travailler avec des entiers (8 bits) plutôt qu’en virgule flottante (32 bits), divisant par quatre la taille des algorithmes et réduisant d’autant l’empreinte mémoire. Elle est mise en œuvre à travers les bibliothèques QNNPACK (ARM) et FBGEMM (x86). On l’applique généralement après entraînement des algorithmes.
PyTorch 1.3, c’est aussi un début de prise en charge des TPU, du nom de ces puces que Google Cloud dédie à l’IA.
Facebook lance en parallèle, sur Mac et Linux, le framework CrypTen.
Construit sur PyTorch, il implémente le calcul multipartite sécurisé pour permettre l’apprentissage machine sur des données chiffrées. D’autres approches sont explorées dans ce cadre, dont le chiffrement homomorphique et la confidentialité différentielle.
Il y a également du nouveau pour Detectron.
Cette bibliothèque de reconnaissance de formes était initialement fondée sur le framework Caffe2.
La transition de ce dernier vers PyTorch se répercute avec la nouvelle version de Detectron. Des modules supplémentaires voient le jour, dont un destiné à la segmentation panoptique.
