Προγραμματισμός GPU - OpenCL vs CUDA vs ROCm Κομμάτι εκπαίδευσης

Εισαγωγή

• Τι είναι ο προγραμματισμός GPU;
• Γιατί να χρησιμοποιήσετε τον προγραμματισμό GPU;
• Ποιες είναι οι προκλήσεις και τα αντισταθμίσματα του προγραμματισμού GPU;
• Ποια είναι τα πλαίσια (frameworks) για προγραμματισμό GPU;
• Επιλέγοντας το κατάλληλο framework για την εφαρμογή σας

OpenCL

• Τι είναι το OpenCL;
• Ποια είναι τα πλεονεκτήματα και μειονεκτήματα του OpenCL;
• Ρύθμιση του περιβάλλοντος ανάπτυξης για OpenCL
• Δημιουργία ενός βασικού προγράμματος OpenCL που εκτελεί πρόσθεση διανυσμάτων
• Χρήση του OpenCL API για ερωτήματα πληροφοριών συσκευής, δέσμευση και αποδέσμευση μνήμης συσκευής, αντιγραφή δεδομένων μεταξύ host και device, εκκίνηση kernels και συγχρονισμό νημάτων
• Χρήση της γλώσσας OpenCL C για τη συγγραφή kernels που εκτελούνται στη συσκευή και χειρίζονται δεδομένα
• Χρήση των ενσωματωμένων συναρτήσεων, μεταβλητών και βιβλιοθηκών του OpenCL για την εκτέλεση συνήθων εργασιών και λειτουργιών
• Χρήση των χώρων μνήμης του OpenCL, όπως καθολική (global), τοπική (local), σταθερή (constant) και ιδιωτική (private), για βελτιστοποίηση μεταφορών δεδομένων και προσβάσεων μνήμης
• Χρήση του μοντέλου εκτέλεσης του OpenCL για τον έλεγχο των work-items, work-groups και ND-ranges που ορίζουν τον παραλληλισμό
• Αποσφαλμάτωση και δοκιμή προγραμμάτων OpenCL χρησιμοποιώντας εργαλεία όπως το CodeXL
• Βελτιστοποίηση προγραμμάτων OpenCL χρησιμοποιώντας τεχνικές όπως coalescing, caching, prefetching και profiling

CUDA

• Τι είναι το CUDA;
• Ποια είναι τα πλεονεκτήματα και μειονεκτήματα του CUDA;
• Ρύθμιση του περιβάλλοντος ανάπτυξης για CUDA
• Δημιουργία ενός βασικού προγράμματος CUDA που εκτελεί πρόσθεση διανυσμάτων
• Χρήση του CUDA API για ερωτήματα πληροφοριών συσκευής, δέσμευση και αποδέσμευση μνήμης συσκευής, αντιγραφή δεδομένων μεταξύ host και device, εκκίνηση kernels και συγχρονισμό νημάτων
• Χρήση της γλώσσας CUDA C/C++ για τη συγγραφή kernels που εκτελούνται στη συσκευή και χειρίζονται δεδομένα
• Χρήση των ενσωματωμένων συναρτήσεων, μεταβλητών και βιβλιοθηκών του CUDA για την εκτέλεση συνήθων εργασιών και λειτουργιών
• Χρήση των χώρων μνήμης του CUDA, όπως καθολική (global), κοινόχρηστη (shared), σταθερή (constant) και τοπική (local), για βελτιστοποίηση μεταφορών δεδομένων και προσβάσεων μνήμης
• Χρήση του μοντέλου εκτέλεσης του CUDA για τον έλεγχο των νημάτων (threads), των μπλοκ (blocks) και των πλεγμάτων (grids) που ορίζουν τον παραλληλισμό
• Αποσφαλμάτωση και δοκιμή προγραμμάτων CUDA χρησιμοποιώντας εργαλεία όπως CUDA-GDB, CUDA-MEMCHECK και NVIDIA Nsight
• Βελτιστοποίηση προγραμμάτων CUDA χρησιμοποιώντας τεχνικές όπως coalescing, caching, prefetching και profiling

ROCm

• Τι είναι το ROCm;
• Ποια είναι τα πλεονεκτήματα και μειονεκτήματα του ROCm;
• Ρύθμιση του περιβάλλοντος ανάπτυξης για ROCm
• Δημιουργία ενός βασικού προγράμματος ROCm που εκτελεί πρόσθεση διανυσμάτων
• Χρήση του ROCm API για ερωτήματα πληροφοριών συσκευής, δέσμευση και αποδέσμευση μνήμης συσκευής, αντιγραφή δεδομένων μεταξύ host και device, εκκίνηση kernels και συγχρονισμό νημάτων
• Χρήση της γλώσσας ROCm C/C++ για τη συγγραφή kernels που εκτελούνται στη συσκευή και χειρίζονται δεδομένα
• Χρήση των ενσωματωμένων συναρτήσεων, μεταβλητών και βιβλιοθηκών του ROCm για την εκτέλεση συνήθων εργασιών και λειτουργιών
• Χρήση των χώρων μνήμης του ROCm, όπως καθολική (global), τοπική (local), σταθερή (constant) και ιδιωτική (private), για βελτιστοποίηση μεταφορών δεδομένων και προσβάσεων μνήμης
• Χρήση του μοντέλου εκτέλεσης του ROCm για τον έλεγχο των νημάτων (threads), των μπλοκ (blocks) και των πλεγμάτων (grids) που ορίζουν τον παραλληλισμό
• Αποσφαλμάτωση και δοκιμή προγραμμάτων ROCm χρησιμοποιώντας εργαλεία όπως το ROCm Debugger και το ROCm Profiler
• Βελτιστοποίηση προγραμμάτων ROCm χρησιμοποιώντας τεχνικές όπως coalescing, caching, prefetching και profiling

Σύγκριση

• Σύγκριση των χαρακτηριστικών, των επιδόσεων και της συμβατότητας των OpenCL, CUDA και ROCm
• Αξιολόγηση προγραμμάτων GPU χρησιμοποιώντας benchmarks και μετρικές
• Εκμάθηση των βέλτιστων πρακτικών και συμβουλών για προγραμματισμό GPU
• Εξερεύνηση των τρεχουσών και μελλοντικών τάσεων και προκλήσεων του προγραμματισμού GPU

Σύνοψη και Επόμενα Βήματα