Course Outline

Εισαγωγή

  • Τι είναι το προγράμματο GPU;
  • Γιατί να χρησιμοποιήσουμε CUDA με το Python;
  • Κλειδιά κοντέκστα: Θρόνοι, Βλάκα, Δίκτυα

Γενική επίσημη των χαρακτηριστικών και της αρχιτεκτονικής CUDA

  • GPU vs CPU αρχιτεκτονική
  • Ερμηνεία SIMT (Single Instruction, Multiple Threads)
  • Πρότυπο προγράμματος CUDA

Ρύθμιση του Κλιδών Συσκευής

  • Εγκατάσταση CUDA Toolkit και πίνακων δεσμεύσεων (drivers)
  • Εγκατάσταση Python και Numba
  • Ρύθμιση και επαλήθευση του περιβάλλοντος

Χρησιμότητα των Σειρίων Programming

  • Εισαγωγή στην παράλληλη εκτέλεση
  • Ερμηνεία θρόνων και ιεραρχιών θρόνων
  • Αλληλεπίδραση με warps και συγκοινωνία

Χρήση του συμβολοσειράκτη Numba

  • Εισαγωγή στο Numba
  • Συγγραφή CUDA kernels με το Numba
  • Ερμηνεία @cuda.jit διασκεδαστών (decorators)

Ανάπτυξη Προσωπικοποιημένου CUDA Kernel

  • Σύνθεση και εκτόξευση βασικών kernels
  • Χρήση threads για σχηματικά δομημένες λειτουργίες
  • Διαχείριση των διαστάσεων grid και block

Μνήμη Management

  • Τύποι μνήμης GPU (γκλόματο, κοινή, τοπική, σταθερά)
  • Μεταφορά μνήμης από host σε device
  • Οптιμизация χρήσης μνήμης και εξαλείψεις αποδυσκαθίστωσης

Σχετικά με το πρόγραμμα GPU Acceleration

  • Κοινή μνήμη και συγκοινωνία
  • Χρήση streams για ασυγχρόνη εκτέλεση
  • Βασικά της πολυ-GPU προγραμματισμού

Μετατροπή Προγραμμάτων με βάση CPU σε GPU

  • Προφίλ ακτιβισμός CPU κώδικα
  • Αναγνώριση παράλληλων τμημάτων
  • Μεταφορά λογικής σε CUDA kernels

Συσχέτιση προβλημάτων

  • Αποκατάσταση CUDA εφαρμογών
  • Μεγάλους λόγους και τρόπους επίλυσής τους
  • Εργαλεία και τεχνικές για δοκιμή και έγκυρη σύνδεση

Σύνοψη και Επόμενα Βήματα

  • Αξίωση κλειδιών υποθέσεων
  • Ηρωικές πράξεις στον προγραμματισμό GPU
  • Πόροι για να συνεχίσουν την εκπαίδευση

Requirements

  • Python εμπειρία προγραμματισμού
  • Εμπειρία με το NumPy (ndarrays, ufuncs, κ.λπ.)

Ακροατήριο

  • Προγραμματιστές
 14 Hours

Number of participants


Price per participant

Testimonials (1)

Upcoming Courses

Related Categories