Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción
- ¿Qué es la programación con GPU?
- ¿Por qué utilizar CUDA con Python?
- Conceptos clave: Hilos, bloques y rejillas
Visión general de las características y la arquitectura de CUDA
- Arquitectura GPU frente a CPU
- Comprensión de SIMT (Instrucción única, múltiples hilos)
- Modelo de programación de CUDA
Configuración del entorno de desarrollo
- Instalación del CUDA Toolkit y los controladores
- Instalación de Python y Numba
- Configuración y verificación del entorno
Fundamentos de la programación paralela
- Introducción a la ejecución paralela
- Comprensión de los hilos y las jerarquías de hilos
- Trabajo con warps y sincronización
Trabajo con el compilador Numba
- Introducción a Numba
- Escribir kernels de CUDA con Numba
- Comprensión de los decoradores @cuda.jit
Construcción de un kernel personalizado de CUDA
- Escribir y ejecutar un kernel básico
- Utilizar hilos para operaciones elemento a elemento
- Gestionar las dimensiones de la rejilla y los bloques
Gestión de la memoria
- Tipos de memoria de GPU (global, compartida, local, constante)
- Transferencia de memoria entre el host y el dispositivo
- Optimización del uso de la memoria y prevención de cuellos de botella
Temas avanzados en aceleración con GPU
- Memoria compartida y sincronización
- Uso de flujos para ejecución asíncrona
- Conceptos básicos de programación multi-GPU
Conversión de aplicaciones basadas en CPU a GPU
- Perfilado de código en CPU
- Identificación de secciones paralelizables
- Portación de la lógica a kernels de CUDA
Solución de problemas
- Depuración de aplicaciones de CUDA
- Errores comunes y cómo resolverlos
- Herramientas y técnicas para pruebas y validación
Resumen y próximos pasos
- Repaso de los conceptos clave
- Mejores prácticas en programación con GPU
- Recursos para el aprendizaje continuo
Requerimientos
- Experiencia en programación con Python
- Experiencia con NumPy (ndarrays, ufuncs, etc.)
Público objetivo
- Desarrolladores
14 Horas
Testimonios (1)
Muy interactivo con diversos ejemplos, con una buena progresión en complejidad desde el inicio hasta el final del entrenamiento.
Jenny - Andheo
Curso - GPU Programming with CUDA and Python
Traducción Automática