تسلط به برنامه‌نویسی موازی GPU با CUDA: (سخت‌افزار و نرم‌افزار)

آنچه یاد خواهید گرفت:

• درک جامع از معماری GPU در مقابل CPU
• یادگیری تاریخچه واحد پردازش گرافیکی (GPU) تا جدیدترین محصولات
• درک ساختار داخلی GPU
• درک انواع مختلف حافظه‌ها و چگونگی تأثیر آن‌ها بر عملکرد
• درک جدیدترین فناوری‌ها در اجزای داخلی GPU
• درک مبانی برنامه‌نویسی CUDA روی GPU
• شروع برنامه‌نویسی GPU با استفاده از CUDA روی هر دو سیستم‌عامل ویندوز و لینوکس
• درک کارآمدترین روش‌های موازی‌سازی
• پروفایلینگ و تنظیم عملکرد
• استفاده از حافظه اشتراکی 

پیش‌نیازهای دوره

• مبانی C و ++C
• مبانی لینوکس و ویندوز
• مبانی معماری کامپیوتر

توضیحات دوره

این دوره عملی به شما آموزش می‌دهد که چگونه قدرت عظیم پردازش موازی GPUهای مدرن را با CUDA آزاد کنید. شما با مبانی سخت‌افزار GPU شروع می‌کنید، تحول معماری‌های پرچم‌دار (Fermi → Pascal → Volta → Ampere → Hopper) را ردیابی می‌کنید و از طریق آزمایشگاه‌های همراه با کدنویسی یاد می‌گیرید که چگونه هسته‌های پردازشی با کارایی بالا را بنویسید، پروفایل کنید و بهینه‌سازی نمایید.

آنچه به آن مسلط خواهید شد:

• اصول GPU در مقابل CPU – دلایل سلطه GPUها بر بارهای کاری موازی داده‌محور
• پیشرفت‌های طراحی نسلی – ویژگی‌های سخت‌افزاری که بیشترین اهمیت را برای عملکرد دارند.
• نصب CUDA Toolkit – ویندوز، لینوکس و WSL، به همراه بررسی‌های سلامت اجرای اولیه
• مفاهیم اصلی CUDA – آموزش threads ، بلوک‌ها، گریدها و سلسله‌مراتب حافظه که با آزمایشگاه‌هایی مانند جمع‌برداری بردار ساخته می‌شود.
• پروفایلینگ و تنظیم با Nsight Compute / nvprof – اندازه‌گیری اشغال، پنهان‌سازی تأخیر و رفع گلوگاه‌ها
• نمایه‌سازی دو بعدی برای ماتریس‌ها – نوشتن هسته‌های کارآمد برای کارهای جبر خطی دنیای واقعی
• راهنمای بهینه‌سازی – مدیریت داده‌های غیر توانی از دو، استفاده از حافظه اشتراکی، حداکثرسازی پهنای باند و به حداقل رساندن واگرایی وارپ
• عیب‌یابی و مدیریت خطای قوی – استفاده از بررسی‌های Runtime-API برای ارائه کد آماده تولید

در پایان، شما قادر خواهید بود هسته‌های CUDA را طراحی، تحلیل و ریزتنظیم کنید که به طور کارآمد روی GPUهای امروزی اجرا می‌شوند – این مهارت شما را برای مقابله با بارهای کاری سنگین علمی، مهندسی و هوش مصنوعی تجهیز می‌کند.

این دوره برای چه کسانی مناسب است؟

• برای هر فرد علاقه‌مند به GPU و CUDA مانند دانشجویان مهندسی، پژوهشگران و هر فرد دیگر