Cet article présente une technique de refactorisation automatisée pour améliorer l'efficacité des systèmes d'apprentissage profond (DL). Les frameworks DL existants basés sur l'exécution différée offrent une excellente évolutivité, mais présentent les inconvénients d'être sujets aux erreurs, peu intuitifs et difficiles à déboguer. En revanche, l'exécution anticipée est facile à développer, mais lente à exécuter. Dans cet article, nous proposons une technique permettant d'identifier et de refactoriser automatiquement les parties de codes DL basés sur l'exécution anticipée pouvant être exécutées efficacement à partir de graphes. Cette technique est implémentée à l'aide de tenseurs implicites statiques et d'une analyse des effets secondaires basée sur Python, et utilise l'analyse prédictive par mots-clés pour gérer l'incertitude liée à la nature dynamique de Python. Cette technique, implémentée sous la forme d'un plugin PyDev Eclipse IDE, a été évaluée sur 19 projets DL (132 KLOC) et a atteint une accélération moyenne de 2,16x en refactorisant 326 fonctions candidates sur 766 (42,56 %). La précision du modèle n'a pratiquement pas varié.
