Vous trouverez ici les éléments concernant les formations réalisées par des membres de ASARD (anciens P2I ou SADL). Les identifiants classiques LISN permettent de se logger aux repositories Gitlab le cas échéant.
| date | orateurs | formation |
|---|---|---|
| 11/2022 | Anne-Catherine Letournel | présentation ASARD aux nouveaux entrants |
| 07/2021 | Erik Bray | Configurable parameters of complex software |
| 04/2020 | Erik Bray | Gitlab Continuous Integration tutorial |
| 01/2020 et 02/2020 | Erik Bray | Introduction puis atelier Docker |
| 11/2019 | Jonas Renault | Python Data Formats (Cartolabe) |
| 12/2018 et 02/2019 | Diviyan Kalainathan & Corentin Tallec | ateliers administrateurs et utilisateurs pour le séquenceur slurm /cluster GPU |
| 03/2018 | Laurent Pointal | Introduction sur les bases du langage python |
| 03/2018 | Sylvain Caillou | Python pour la programmation scientifique |
| Jalel Chergui | Calcul sur grappe |
Abstract: A common problem faced in researchers' code is how to manage the many dozens, or even hundreds of parameters that can effect the outcomes of their experiments. While this is a multi-faceted problem with no one-size-fits-all solution, we will look at a couple best practices from the software engineering community for reasoning about the configurable parameters of complex software.
First we will take a brief look at popular hierarchical data formats that are commonly used today to configure software, including:
These formats share common features, in that they represent data types commonly found in most modern programming languages (scalar types such as ints, strings, etc. and containers such as arrays/lists and dictionaries/associative arrays) and so can be used as an interchange format between software written in different languages.
Then we will look at how we can organize the *structure* of our software's configuration using a *schema*, specifically in the JSON Schema format (which despite its name is not restricted to use with JSON).
Time permitting we will also look at some examples of how JSON Schema can be extended for application-specific semantic validation for your configuration, or to generate code (e.g. how to generate a command-line interface from a declarative schema).
The language used for all examples will be Python, though none of these concepts or tools are unique to Python.
A partir d'un retour d'expérience sous gitlab (celui du LRI), présentation par Erik Bray de la mise en oeuvre de l'intégration continue offerte en natif par la plateforme Gitlab.
Dans la version présentée, l'utilisateur fournit et configure ses propres 'runners' qui sont les unités matérielles d'exécution des tests. En l'occurence, les 'runners' pris en exemple seront TitanV et Kepler: les 2 serveurs à GPU qui sont en libre service pour les tests et développements au LRI.
Présentation par Erik Bray des principes de Docker, indépendamment des systèmes d'exploitation et des langages de programmation utilisés:
Dans la continuité de l'introduction à Docker présentée le 14 janvier par Erik, une deuxième séance interactive à partir d'exercices est proposée autour de Docker. Il n'est pas nécessaire d'avoir assisté à la séance du 14 janvier pour profiter de celle du 5 février.
Retour d'expérience de Jonas Renault, co-auteur de Cartolabe, autour des formats de manipulation de données volumineuses en python (stockage, échange, utilisation). Cartolabe est une application web qui utilise des grandes quantités de données et qui se doit d'être hautement 'responsive'. Présentation sous forme de jupyter Notebook.
Contexte (décembre 2018):
Ces 4 clusters/noeuds seront gérés avec l'ordonnanceur de tâches SLURM.
Dans ce contexte, Diviyan R. et Corentin T., doctorants de l'équipe A&O et experts en administration de clusters à GPU avec Slurm, proposent 2 types d'ateliers autour de cette technologie.
NB: ces 2 ateliers seront inscrits au catalogue des formations ADUM de l'école doctorale dans la catégorie 'formations transverses'.
Présentation répétée sur 3 sessions, début mars 2018.
Documents:
Préambule (Notes de A. Reberac (LATMOS/CNRS,) et L. Falletti (LATMOS/UPMC) issues de la formation dispensée par leur soin sur la programmation scientifique avec Python - 12.2017)
Intégrale de la formation: Python pour la programmation scientifique
Présentation répétée sur 2 sessions, mars 2018.
Documents et références:
Présentation répétée sur 2 sessions, mars 2018.
Documents et références:
Présentation répétée sur 2 sessions, mars 2018.
Documents et références:
Présentation répétée sur 2 sessions, mars 2018.
Documents et références:
Utilisation du cluster grappe pour le calcul - J. Chergui
Exemples commentés lors de la présentation:
Installations préalables: création d'un environnement virtuel, activation de celui-ci, et installation de paquets Python dans cet environnement.
conda create -n formation1 python=3.6 conda activate formation1 conda install numpy requests
+ installer (ou faire installer) le paquet swig.