GPU-programmering - OpenCL vs CUDA vs ROCm Träningskurs

Introduktion

• Vad är GPU-programmering?
• Varför använda GPU-programmering?
• Vilka utmaningar och utbyte finns i GPU-programmering?
• Vilka ramverk finns för GPU-programmering?
• Välja rätt ramverk för din tillämpning

OpenCL

• Vad är OpenCL?
• Vilka fördelar och nackdelar har OpenCL?
• Sätta upp utvecklingsmiljön för OpenCL
• Skapa ett grundläggande OpenCL-program som utför vektoraddition
• Använda OpenCL API för att fråga enhetsinformation, allokera och deallokera minne på enheten, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar
• Använda OpenCL C-språket för att skriva kärnor som körs på enheten och manipulera data
• Använda OpenCL:s inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer
• Använda OpenCL:s minutrymmen, som globalt, lokalt, konstant och privat, för att optimera datatransferer och minnesåtkomster
• Använda OpenCL:s körningsmodell för att styra arbetsenheter (work-items), arbetsgrupper (work-groups) och ND-intervall som definierar parallellismen
• Felsöka och testa OpenCL-program med verktyg som CodeXL
• Optimerar OpenCL-program med tekniker som sammanfogning, cachning, förhandsladdning och profilering

CUDA

• Vad är CUDA?
• Vilka fördelar och nackdelar har CUDA?
• Sätta upp utvecklingsmiljön för CUDA
• Skapa ett grundläggande CUDA-program som utför vektoraddition
• Använda CUDA API för att fråga enhetsinformation, allokera och deallokera minne på enheten, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar
• Använda CUDA C/C++-språket för att skriva kärnor som körs på enheten och manipulera data
• Använda CUDA:s inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer
• Använda CUDA:s minutrymmen, som globalt, delat (shared), konstant och lokalt, för att optimera datatransferer och minnesåtkomster
• Använda CUDA:s körningsmodell för att styra trådar, block och rutnät som definierar parallellismen
• Felsöka och testa CUDA-program med verktyg som CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight
• Optimerar CUDA-program med tekniker som sammanfogning, cachning, förhandsladdning och profilering

ROCm

• Vad är ROCm?
• Vilka fördelar och nackdelar har ROCm?
• Sätta upp utvecklingsmiljön för ROCm
• Skapa ett grundläggande ROCm-program som utför vektoraddition
• Använda ROCm API för att fråga enhetsinformation, allokera och deallokera minne på enheten, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar
• Använda ROCm C/C++-språket för att skriva kärnor som körs på enheten och manipulera data
• Använda ROCm:s inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer
• Använda ROCm:s minutrymmen, som globalt, lokalt, konstant och privat, för att optimera datatransferer och minnesåtkomster
• Använda ROCm:s körningsmodell för att styra trådar, block och rutnät som definierar parallellismen
• Felsöka och testa ROCm-program med verktyg som ROCm-Debugger och ROCm-Profiler
• Optimerar ROCm-program med tekniker som sammanfogning, cachning, förhandsladdning och profilering

Jämförelse

• Jämföra egenskaper, prestanda och kompatibilitet för OpenCL, CUDA och ROCm
• Utvärdera GPU-program med bänkmarker och mått
• Lära sig bästa praxis och tips för GPU-programmering
• Utforska aktuella och framtida trender och utmaningar inom GPU-programmering

Sammanfattning och nästa steg