Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Introduktion
- Vad är GPU-programmering?
- Varför använda CUDA med Python?
- Kärnkoncept: Trådar, Block, Galler
Översikt över CUDA-funktioner och arkitektur
- GPU vs CPU-arkitektur
- Förstå SIMT (Single Instruction, Multiple Threads)
- CUDA-programmeringsmodell
Inställning av utvecklingsmiljö
- Installation av CUDA Toolkit och drivrutiner
- Installation av Python och Numba
- Inställning och verifiering av miljön
Fundamentala parallellprogrammeringskoncept
- Introduktion till parallellkörning
- Förstå trådar och trådhierarkier
- Arbeta med warps och synkronisering
Arbeta med Numba-kompilatorn
- Introduktion till Numba
- Skriva CUDA-kärnor med Numba
- Förstå @cuda.jit-dekoratorer
Bygga en anpassad CUDA-kernel
- Skriva och starta en grundläggande kernel
- Använda trådar för elementvisa operationer
- Hantera galler- och blockdimensioner
Minneshantering
- Typer av GPU-minne (globalt, delat, lokalt, konstant)
- Minnesöverföring mellan värd och enhet
- Optimera minnanvändning och undvik flaskehalsar
Förväxande ämnen i GPU-acceleration
- Deltat minne och synkronisering
- Använda strömmar för asynkron körning
- Grunderna i multi-GPU-programmering
Konvertera CPU-baserade applikationer till GPU
- Profilerings-CPU-kod
- Identifiera parallelliserbara delar
- Flytta logik till CUDA-kärnor
Felsökning
- Felsöka CUDA-applikationer
- Vanliga fel och hur man löser dem
- Vägar och tekniker för testning och validering
Sammanfattning och nästa steg
- Granskning av kärnkoncept
- Bästa praxis i GPU-programmering
- Resurser för fortsatt lärande
Krav
- Erfarenhet av Python-programmering
- Erfarenhet av NumPy (ndarrays, ufuncs osv.)
Målgrupp
- Utvecklare
14 Timmar
Vittnesmål (1)
Mycket interaktiv med många exempel, med en bra ökning i komplexitet från början till slutet av utbildningen.
Jenny - Andheo
Kurs - GPU Programming with CUDA and Python
Maskintolkat