Praktické programování na GPU s Pythonem a CUDA

Recenze čtenářů

Kniha je praktickým průvodcem pro výuku programování na GPU v jazyce Python a CUDA. Poskytuje srozumitelná vysvětlení, praktické příklady a je vhodná jak pro začátečníky, tak pro zkušené programátory. Přestože ji lze pro její praktické využití vřele doporučit, čelí určité kritice za to, že se spoléhá na Python 2, což může vyžadovat konverzi pro uživatele přecházející na Python 3.

Praktické pro nové studenty, jasné a důkladné vysvětlení, praktické příklady, využívá PyCUDA pro dostupnost, skvělý zdroj pro zlepšení výkonu, pokrývá teoretické aspekty do hloubky, citlivá podpora autora pro aktualizace.

Používá Python 2, což může vést k problémům s kompatibilitou s novějšími prostředími, uživatelé mohou potřebovat převést kód na Python 3, zpoždění při vydávání aktualizovaných vydání.

(na základě 7 hodnocení čtenářů)

Původní název:

Hands-On GPU Programming with Python and CUDA

Obsah knihy:

Vytvářejte vysoce výkonné aplikace akcelerované GPU pomocí Pythonu 2. 7, CUDA 9 a open source knihovnami, jako jsou PyCUDA a scikit-cuda. Doporučujeme používat Python 2. 7, protože tato verze má stabilní podporu všech knihoven použitých v této knize. Klíčové vlastnosti Osvojte si nástroje pro programování na GPU, jako jsou PyCUDA, scikit-cuda a Nsight Prozkoumejte knihovny CUDA, jako jsou cuBLAS, cuFFT a cuSolver Použijte programování na GPU v moderních aplikacích pro datovou vědu Popis knihy

Programování na GPU je technika přenášení náročných úloh běžících na CPU za účelem zrychlení výpočtů. Kniha Praktické programování na GPU s Pythonem a CUDA vám pomůže objevit způsoby, jak vyvíjet vysoce výkonné aplikace v jazyce Python kombinující výkon Pythonu a CUDA.

V této knize se naučíte, jak aplikovat Amdahlův zákon, jak pomocí profileru kódu identifikovat úzká místa v kódu Pythonu a jak nastavit programovací prostředí GPU. Poté se dozvíte, jak se dotazovat na funkce GPU a kopírovat pole dat do jeho paměti a z ní. Při procházení knihy budete spouštět svůj kód přímo na GPU a psát plnohodnotná jádra GPU a funkce zařízení v CUDA C. Dokonce se seznámíte s profilováním kódu GPU a plně otestujete a odladíte svůj kód pomocí prostředí Nsight IDE. Kromě toho se kniha zabývá některými známými knihovnami NVIDIA, jako jsou cuFFT a cuBLAS.

S pevným zázemím budete moci od základu vyvinout vlastní hlubokou neuronovou síť založenou na GPU a prozkoumat pokročilá témata, jako je warp shuffling, dynamický paralelismus a sestavení PTX. Nakonec se dotknete témat a aplikací, jako je umělá inteligence, grafika a blockchain.

Na konci této knihy budete s jistotou řešit problémy spojené s datovou vědou a vysoce výkonnými výpočty pomocí programování na GPU. Co se naučíte Psát efektivní a účinná jádra GPU a funkce zařízení Pracovat s knihovnami, jako jsou cuFFT, cuBLAS a cuSolver Ladit a profilovat kód pomocí Nsight a Visual Profiler Použít programování GPU na problémy datové vědy Sestavit hlubokou neuronovou síť na GPU od nuly Prozkoumat pokročilé funkce hardwaru GPU, jako je warp shuffling Komu je tato kniha určena?

Tato kniha je určena vývojářům a datovým vědcům, kteří se chtějí naučit základy efektivního programování GPU pro zvýšení výkonu pomocí kódu v jazyce Python. Užitečná bude znalost matematických a fyzikálních konceptů spolu s určitými zkušenostmi s Pythonem a jakýmkoli programovacím jazykem založeným na C. Obsah Proč programovat na GPU? Nastavení prostředí pro programování na GPU Začínáme s PyCUDA Jádra, vlákna, bloky a mřížky Proudy, události, kontexty a souběžnost Ladění a profilování kódu CUDA Používání knihoven CUDA pomocí Scikit-CUDA Návrh kompletní Knihovny funkcí zařízení CUDA a Thrust Implementace hluboké neuronové sítě Práce s kompilovaným kódem GPU Optimalizace výkonu v CUDA Kam dál?