یادگیری CUDA با Google Colab: اولین افزایش سرعت در 90 دقیقه

آنچه یاد خواهید گرفت:

• راه اندازی و تأیید محیط برنامه‌نویسی GPU با استفاده از Google Colab
• بررسی در مدل برنامه‌نویسی CUDA
• پیکربندی صحیح threads، بلوک‌ها و شبکه‌ها برای انجام عملیات‌هایی مانند جمع بردارها
• محاسبه شاخص‌های thread در یک بعدی و دو بعدی
• نوشتن، کامپایل و راه‌اندازی کرنل‌های CUDA اولیه در C++/C
• مقایسه و تحلیل عملکرد - اندازه‌گیری زمان اجرای CPU در مقابل GPU

پیش نیازهای دوره

• درک اولیه از برنامه‌نویسی ++C/C

توضیحات دوره

این دوره شما را در سفری عملی به محاسبات شتاب‌یافته GPU با استفاده از پلتفرم NVIDIA CUDA، که پرکاربردترین پلتفرم برنامه‌نویسی موازی است، همراهی می‌کند. چه دانشجو باشید، مهندس یا توسعه‌دهنده، یاد خواهید گرفت که چگونه از هزاران کرنل GPU برای دستیابی به سطوح عملکردی بسیار فراتر از آنچه CPUها ارائه می‌دهند، استفاده کنیدو

از مفاهیم پایه معماری GPU شروع می‌کنیم و به تدریج به برنامه‌نویسی CUDA عملی می‌پردازیم - درک threads، بلوک‌ها، شبکه‌ها و چگونگی نگاشت کارمحاسبات به طور کارآمد بر روی سخت‌افزار GPU.

آنچه خواهید آموخت:

• چرا پردازنده‌های گرافیکی (GPUs) برای محاسبات با عملکرد بالا ضروری هستند؟
• تفاوت بین GPUهای یکپارچه و اختصاصی
• CUDA چیست و چگونه پردازش موازی را ممکن می‌سازد؟
• توضیح پشته محاسبات GPU NVIDIA - از سخت‌افزار تا نرم‌افزار
• درک قابلیت محاسباتی و تأثیر آن بر عملکرد
• مدل برنامه‌نویسی CUDA: اجرای میزبان در مقابل دستگاه
• نوشتن اولین برنامه CUDA: و Hello World
• بررسی عمیق threads، بلوک‌ها و شبکه‌ها
• شاخص‌گذاری Thread برای محاسبات موازی کارآمد
• مقایسه عملکرد CPU در مقابل GPU از طریق مثال‌های عملی
• آزمون‌هایی برای تقویت مفاهیم کلیدی در هر مرحله

چرا این دوره را بگذرانید؟

• توسط یک متخصص با تجربه واقعی در پردازش سیگنال مبتنی بر GPU و هوش مصنوعی تدریس می‌شود.
• نظریه را با مثال‌های کد CUDA عملی ترکیب می‌کند.
• یاد می‌گیرید که چگونه به صورت موازی فکر کنید و الگوریتم‌های خود را برای عملکرد بهینه کنید.
• خود را برای یک حرفه در هوش مصنوعی، محاسبات علمی، پردازش داده یا برنامه‌نویسی گرافیک آماده کنید.

این دوره برای چه کسانی مناسب است؟

• این دوره برای شما مناسب است، حتی اگر دسترسی به (یا تمایلی به پیکربندی) یک GPU اختصاصی ندارید.
• شما نسبت به اکوسیستم CUDA کنجکاو هستید و می‌خواهید از طریق نوت‌بوک‌های عملی Colab با کرنل‌ها، رشته‌ها/بلوک‌ها و تحلیل عملکرد آزمایش کنید.
• شما یک مهندس سیستم‌های داخلی هستید و می‌خواهید تخصص خود را در برنامه‌نویسی GPU گسترش دهید.
• شما با زبان‌های برنامه‌نویسی C++/C آشنا هستید و می‌خواهید تسک های محاسباتی سنگین (مانند یادگیری ماشین، پردازش سیگنال یا تصویر، محاسبات علمی) را تسریع کنید.
• شما به دنبال یک دوره فشرده و دوستانه برای مبتدیان هستید که شما را از «چرا GPU؟» تا سلسله مراتب حافظه و مفاهیم همگام‌سازی هدایت می‌کند، همراه با مقایسه واقعی CPU و GPU