Récits

Résumé : Paru dans un premier temps en 1940, puis republié en 1973, Conservatorio di Santa Teresa dont l'action se déroule à la veille de la première guerre mondiale et se conclut à son lendemain, connut les foudres de la censure fasciste. C'est un climat de haine et de violence qui se dessine en filigrane de ce Bildungsroman à travers le regard, parfois glaçant parfois inquiétant, rarement apaisé, de Sergio, que l'on suit de l'enfance à l'adolescence, au sein d'une nature, hors du temps des hommes, qui lui ressemble, celle de la Toscane siennoise, avant son entrée au Conservatorio et son apprentissage des rapports sociaux au sein de la Ville. Elle concrétise son entrée dans l'Histoire qui se dessine peu à peu au revers de l'intime et de petits faits du quotidien pour converger dans l'avènement du fascisme naissant et dévoiler sa face hideuse à travers les échos de la guerre, du sexe et d'innombrables non-dits qui oppressent l'enfant. Dans une veine romanesque et hautement poétique, Romano Bilenchi entame les thèmes qui lui sont chers et qu'il développera aussi dans les nouvelles de la trilogie des Années impossibles : La Sécheresse, La Misère, et plus tardivement Le Gel.

Plongez au coeur du deep learning avec la nouvelle bibliothèque de Google Tensorflow. js pour JavaScript Tensorflow. js étend la bibliothèque de machine learning open source TensorFlow de Google à JavaScript pour entraîner et déployer des modèles d'apprentissage machine dans un navigateur. Accélérée par WebGL, la bibliothèque Tensorflow. js fonctionne également avec le runtime JavaScript côté serveur et fait partie de l'écosystème TensorFlow. Cette librairie ouvre la porte à de nombreuses possibilités, puisqu'elle peut par exemple exploiter la webcam du navigateur. Et surtout, en mettant le Deep Learning à la portée des développeurs Javascript, il y a de fortes chances pour qu'elle contribue à une accélération de la diffusion du Deep Learning. Au programme : TensorFlow. js, une introduction en douceur Pour commencer : Régression linéaire simple dans TensorFlow. js Ajouter de la non-linéarité : Aller au-delà des sommes pondérées Reconnaître les images et les sons à l'aide des réseaux de neurones convolutifs Apprentissage par transfert : Réutiliser des réseaux de neurones pré-entraînés Deep learning avancé avec TensorFlow. js - Travailler avec des données Visualiser des données et des modèles Sous-apprentissage, surapprentissage et flux de travail universel de l'apprentissage automatique Deep learning pour les séquences et le texte Les bases de l'apprentissage par renforcement profond Tester, optimiser et déployer les modèles