Temario del curso
Introducción a la Computación Acelerada con GPU
- Computación heterogénea y la arquitectura CPU-GPU.
- Espacios de ejecución y memoria de CUDA.
- Compilación de CUDA C++ con nvcc y CMake.
- Verificación del entorno de desarrollo GPU.
Algoritmos Paralelos con Thrust y CUB
- Ordenamiento, reducción y transformación acelerados por GPU.
- Reestructuración de algoritmos STL para ejecución en GPU.
- Vectores de dispositivo Thrust y políticas de ejecución.
- Primitivas CUB a nivel de dispositivo para flujos de trabajo personalizados.
Arquitectura y Gestión de Memoria GPU
- Tipos de memoria global, constante y textura.
- Asignación explícita de memoria de dispositivo y transferencias.
- Memoria unificada para simplificar el acceso a datos.
- Agrupación de memoria y optimización de patrones de acceso.
Ejecución Asíncrona con Transmisiones CUDA (Streams)
- Creación y gestión de transmisiones CUDA.
- Superposición de la ejecución del kernel con transferencias de datos.
- Eventos CUDA para la gestión de dependencias.
- Prioridades de transmisión y ajuste de concurrencia.
Escritura de Kernels CUDA Personalizados
- El modelo de programación SIMT y la ejecución de warps.
- Configuración de lanzamiento de kernels y bucles de paso de cuadrícula (grid-stride).
- Indexación de hilos y cuadrículas multidimensionales.
- Manejo de errores y verificaciones de la API de tiempo de ejecución CUDA.
Jerarquía de Hilos y Modelo de Ejecución
- Cuadrículas, bloques y hilos en el código del dispositivo.
- Primitivas a nivel de warp y operaciones de votación (ballot).
- Sincronización a nivel de bloque y barreras.
- Análisis de ocupación y utilización de recursos.
Grupos Cooperativos para Paralelismo Flexible
- La API cooperative_groups y tipos de grupo.
- Baldosas (tiles) de bloques de hilos y tiled_partition.
- Lanzamientos cooperativos a nivel de cuadrícula.
- Patrones de sincronización multi-cuadrícula.
Técnicas de Optimización con Memoria Compartida
- Bancos de memoria compartida y evitación de conflictos de banco.
- Estrategias de baldosas (tiling) para operaciones matriciales.
- Memoria compartida como caché administrada por el usuario.
- cuda::shared_memory_mdspan para vistas multidimensionales.
Fusión de Kernels y Patrones Paralelos Avanzados
- Fusionar múltiples kernels para reducir la sobrecarga de lanzamiento.
- Algoritmos de escaneo, reducción por clave y segmentada.
- Operaciones atómicas y estructuras de datos sin bloqueo (lock-free).
- Atómicos agregados por warp para aumentar el rendimiento.
Perfilado y Optimización con Nsight Systems
- Análisis de línea de tiempo de la actividad de CPU y GPU.
- Identificación de cuellos de botella en transferencias de memoria.
- Perfilado del rendimiento del kernel y ocupación.
- Optimización iterativa con Nsight Compute.
Características Modernas de C++ en Código CUDA de Dispositivo
- Lambdas, constexpr y auto en kernels.
- Algoritmos paralelos C++17 y políticas de ejecución.
- Conceptos y rangos C++20 en el dispositivo.
- Soporte C++23 en nvcc y CCCL 3.x.
Gráficos CUDA y Asincronía Avanzada
- Definición y lanzamiento de gráficos CUDA.
- Captura de gráficos a partir de la ejecución de transmisiones.
- Actualización de gráficos y nodos de ejecución condicional.
- Reducción de la latencia de lanzamiento para cargas de trabajo iterativas.
Patrones de Integración para Aplicaciones Existentes
- Envoltura de código GPU detrás de interfaces C++.
- Gestión de sistemas multi-GPU y NUMA.
- Integración del sistema de compilación con CMake y CUDA.
- Depuración de código del dispositivo con cuda-gdb.
Resumen y Mejores Prácticas
- Elegir entre Thrust, CUB y kernels personalizados.
- Portabilidad del rendimiento entre arquitecturas GPU.
- Organización del código y RAII para recursos CUDA.
- Próximos pasos y rutas de aprendizaje avanzado de CUDA.
Requerimientos
- Competencia básica en C++ que incluya expresiones lambda, plantillas y la STL.
- Conocimiento familiar de algoritmos estándar, contenedores e iteradores.
- Comodidad con bucles, condicionales y funciones.
- No se requiere conocimiento previo de CUDA o programación GPU.
Público Objetivo
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en cómputo con GPUs.
- Ingenieros de software que hacen la transición de programación solo con CPU a programación paralela heterogénea.
- Ingenieros de rendimiento y desarrolladores cuantitativos que trabajan con grandes conjuntos de datos.
Reseñas (3)
Explicación detallada, reiteración de los puntos de manera sutil que realmente hizo que el conocimiento quedara muy bien asimilado. La disposición de Rod a doblegar la información sobre las preguntas poco comunes que planteamos para asegurarse de que sus respuestas fueran 100% correctas. Además, su interés en discutir los pros y contras de diferentes estilos de codificación, lo que nos permitió no solo aprender a usar C++ de la manera prevista, sino también entender por qué debía hacerse de esa forma.
Nick Dillon - cellxica Ltd
Curso - Using C++ in Embedded Systems - Applying C++11/C++14
Traducción Automática
La experiencia compartida, el saber hacer del profesor y su valor son importantes.
Carey Fan - Logitech
Curso - C/C++ Secure Coding
Traducción Automática
La naturaleza en línea de la formación significó que pudimos ahorrar mucho tiempo. Lo apreciamos enormemente. Además, el hecho de que el instructor conociera tanto C# como C++ fue de gran ayuda, ya que pudo explicar todo a través del conocimiento que ya poseíamos.
Gabor - Rheinmetall Electronics Hungary Kft
Curso - Advanced C++
Traducción Automática
