Hello,

Je suis en train de faire joujou avec du deep learning, notamment avec un projet https://github.com/jantic/DeOldify qui permet de coloriser les images (et ça marche très bien )
Le problème c'est que ma 1060 atteint rapidement ses limites sur les grandes images ou bien quand j'augmente le "render factor" (d'après ce que j'ai compris c'est le nombre d’échantillonnage sur l'image que l'algo va se servir pour bosser)
Il y a pas d'apprentissage à faire ils donnent déjà des données pré-entrainées

Du coup je pensais me faire un petit script/service qui permet de lui donner en entrée une image/video, puis qui fait le bouzin à distance, puis me renvoie le résultat.
Le problème c'est qu'en cherchant rapidement, je trouve aucun moyen de faire du GPU as a service, c'est à dire juste lancer une instance pendant quelques secondes/minutes (façon AWS Lambda en quelque sorte)

Car les quelques solutions que j'ai trouvé chez Scaleway, Ovh, Google, AWS, c'est de louer une instance qu'on paye à l'heure (mini 1e/heure ce qui est un peu con, quand on veut s'en servir ponctuellement), et c'est plutôt orienté pour l'apprentissage

Merci

Je ne suis pas sûr qu'un meilleur GPU sera vraiment bénéfique : https://github.com/jantic/DeOldify/issues/112
De plus il y a des soucis sous Windows : https://github.com/jantic/DeOldify/issues/89

Le 04 janvier 2020 à 03:17:40 tsez93 a écrit :
Je ne suis pas sûr qu'un meilleur GPU sera vraiment bénéfique : https://github.com/jantic/DeOldify/issues/112
De plus il y a des soucis sous Windows : https://github.com/jantic/DeOldify/issues/89

Je l'utilise sur Linux
Un meilleur GPU est bénéfique vu que lorsque je suis trop extrême il me dit qu'il y a plus CUDA core de dispo et ma VRAM est remplie

Faire de la micro comptabilite de temps sur un GPU semble difficile. La plupart du temps, tu as besoin de charge un modele dans le GPU qui est relativement gros. Donc tu ne peux pas garder plusieurs application en vie a la fois. Donc soit a chaque demarrage de l'application tu recharges les donnees dans le GPU, ce qui est typiquement moins bien qu'utiliser un CPU a cause du cout de transfer du modele, soit tu ne peux garder qu'une seule application a la fois et donc tu ne peux pas reutiliser les temps morts.

C'est pour ca que mutualiser l'utilisation de GPU est beaucoup plus difficile que mutualiser l'utilisation de CPU.