Свържете се с нас

Съдържание и теми, включени в курса

Въведение

  • Какво е GPU програмиране?
  • Защо да използваме GPU програмиране?
  • Какви са предизвикателствата и компромисите при GPU програмирането?
  • Какви са рамките за GPU програмиране?
  • Избор на правилната рамка за вашето приложение

OpenCL

  • Какво е OpenCL?
  • Какви са предимствата и недостатъците на OpenCL?
  • Настройка на средата за разработка за OpenCL
  • Създаване на базова OpenCL програма, извършваща събиране на вектори
  • Използване на OpenCL API за запитване на информация за устройството, заделяне и освобождаване на памет на устройството, копиране на данни между хоста и устройството, стартиране на ядра и синхронизиране на нишки
  • Използване на езика OpenCL C за писане на ядра, които се изпълняват на устройството и манипулират данни
  • Използване на вградени функции, променливи и библиотеки на OpenCL за извършване на общи задачи и операции
  • Използване на пространства на паметта на OpenCL, като глобално, локално, константно и частно, за оптимизиране на трансфера на данни и достъпите до паметта
  • Използване на модела на изпълнение на OpenCL за контрол на работните елементи (work-items), работните групи (work-groups) и ND-диапазоните (ND-ranges), които определят паралелизма
  • Дебъгване и тестване на OpenCL програми с помощта на инструменти като CodeXL
  • Оптимизиране на OpenCL програми с помощта на техники като групиране (coalescing), кеширане, предварително извличане (prefetching) и профилиране

CUDA

  • Какво е CUDA?
  • Какви са предимствата и недостатъците на CUDA?
  • Настройка на средата за разработка за CUDA
  • Създаване на базова CUDA програма, извършваща събиране на вектори
  • Използване на CUDA API за запитване на информация за устройството, заделяне и освобождаване на памет на устройството, копиране на данни между хоста и устройството, стартиране на ядра и синхронизиране на нишки
  • Използване на езика CUDA C/C++ за писане на ядра, които се изпълняват на устройството и манипулират данни
  • Използване на вградени функции, променливи и библиотеки на CUDA за извършване на общи задачи и операции
  • Използване на пространства на паметта на CUDA, като глобално, споделено, константно и локално, за оптимизиране на трансфера на данни и достъпите до паметта
  • Използване на модела на изпълнение на CUDA за контрол на нишките, блоковете и решетките, които определят паралелизма
  • Дебъгване и тестване на CUDA програми с помощта на инструменти като CUDA-GDB, CUDA-MEMCHECK и NVIDIA Nsight
  • Оптимизиране на CUDA програми с помощта на техники като групиране (coalescing), кеширане, предварително извличане (prefetching) и профилиране

ROCm

  • Какво е ROCm?
  • Какви са предимствата и недостатъците на ROCm?
  • Настройка на средата за разработка за ROCm
  • Създаване на базова ROCm програма, извършваща събиране на вектори
  • Използване на ROCm API за запитване на информация за устройството, заделяне и освобождаване на памет на устройството, копиране на данни между хоста и устройството, стартиране на ядра и синхронизиране на нишки
  • Използване на езика ROCm C/C++ за писане на ядра, които се изпълняват на устройството и манипулират данни
  • Използване на вградени функции, променливи и библиотеки на ROCm за извършване на общи задачи и операции
  • Използване на пространства на паметта на ROCm, като глобално, локално, константно и частно, за оптимизиране на трансфера на данни и достъпите до паметта
  • Използване на модела на изпълнение на ROCm за контрол на нишките, блоковете и решетките, които определят паралелизма
  • Дебъгване и тестване на ROCm програми с помощта на инструменти като ROCm Debugger и ROCm Profiler
  • Оптимизиране на ROCm програми с помощта на техники като групиране (coalescing), кеширане, предварително извличане (prefetching) и профилиране

Сравнение

  • Сравняване на характеристиките, производителността и съвместимостта на OpenCL, CUDA и ROCm
  • Оценяване на GPU програми с помощта на бенчмаркове и метрики
  • Научаване на най-добрите практики и съвети за GPU програмиране
  • Изследване на настоящите и бъдещите тенденции и предизвикателства в GPU програмирането

Обобщение и следващи стъпки

Изисквания

  • Разбиране на езика C/C++ и концепциите за паралелно програмиране
  • Основни познания за компютърна архитектура и йерархия на паметта
  • Опит с инструменти за команден ред и редактори на код

Аудитория

  • Разработчици, които желаят да научат как да използват различни рамки за GPU програмиране и да сравнят техните характеристики, производителност и съвместимост
  • Разработчици, които желаят да пишат преносим и мащабируем код, който може да работи на различни платформи и устройства
  • Програмисти, които желаят да изследват компромисите и предизвикателствата на GPU програмирането и оптимизацията
 28 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории