Conférence
Notice
Lieu de réalisation
Université de Bordeaux
Langue :
Français
Conditions d'utilisation
Droit commun de la propriété intellectuelle
Citer cette ressource :
JCAD. (2024, 5 novembre). Task-Based Parallel Programming for Scalable Algorithms and illustration with Matrix Multiplication , in JCAD 2024 - Bordeaux. [Vidéo]. Canal-U. https://www.canal-u.tv/158533. (Consultée le 26 avril 2025)
Task-Based Parallel Programming for Scalable Algorithms and illustration with Matrix Multiplication
Réalisation : 5 novembre 2024
- Mise en ligne : 9 décembre 2024
- document 1 document 2 document 3
- niveau 1 niveau 2 niveau 3
Thème
Discipline :
Documentation
Dans la même collection
-
Etude comparative de la précision mixte et de la compression de rang faible dans les solveurs direc…
Etude comparative de la précision mixte et de la compression de rang faible dans les solveurs directs de systèmes linéaires creux
-
Apport du calcul haute performance pour la simulation numérique des pergélisols sous changement cli…
Apport du calcul haute performance pour la simulation numérique des pergélisols sous changement climatique à l'échelle locale
-
Retour d'expérience d'entrainement de modèle d'IA sur architecture HPC : Data Parallelism et Model …
Retour d'expérience d'entrainement de modèle d'IA sur architecture HPC : Data Parallelism et Model Parallelism
-
Un pipeline reproductible pour la réanalyse de données d'exome en génétique
Un pipeline reproductible pour la réanalyse de données d'exome en génétique
-
Estimation de l'empreinte carbone d'une heure de calcul
Estimation de l'empreinte carbone d'une heure de calcul
-
-
VIP dans les nuages
VIP dans les nuages
-
Reprise de code : le projet AWESOMME
Reprise de code : le projet AWESOMME
-
Le point sur SLICES et SLICES-FR
Le point sur SLICES et SLICES-FR
-
Déployer son cluster HPC avec Ansible et Kadeploy
Déployer son cluster HPC avec Ansible et Kadeploy
-
-
Plateforme numérique partagée sous JupyterHub pour la formation en "Machine Learning for Computatio…
Plateforme numérique partagée sous JupyterHub pour la formation en "Machine Learning for Computational Engineering"
