Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung
- Was ist GPU-Programmierung?
- Warum CUDA mit Python verwenden?
- Schlüsselbegriffe: Threads, Blöcke, Gitter
Übersicht über CUDA-Funktionen und Architektur
- GPU-Architektur im Vergleich zur CPU-Architektur
- Verständnis von SIMT (Single Instruction, Multiple Threads)
- CUDA-Programmiermodell
Einrichtung der Entwicklungsumgebung
- Installation des CUDA Toolkit und Treiber
- Installation von Python und Numba
- Einrichten und Überprüfen der Umgebung
Grundlagen der parallelen Programming
- Einführung in die parallele Ausführung
- Verständnis von Threads und Thread-Hierarchien
- Arbeiten mit Wärmen und Synchronisation
Arbeiten mit dem Numba-Kompiler
- Einführung zu Numba
- Schreiben von CUDA-Kernen mit Numba
- Verständnis der @cuda.jit-Dekorationen
Aufbau eines benutzerdefinierten CUDA-Kerns
- Schreiben und Ausführen eines einfachen Kernes
- Nutzung von Threads für elementweise Operationen
- Verwaltung der Größen von Gittern und Blöcken
Speicherverwaltung Management
- Arsenal an GPU-Speicherarten (global, shared, local, constant)
- Übertragung des Speichers zwischen Host und Gerät
- Otimierung der Speichernutzung und Vermeidung von Flaschenhals
Fortschrittliche Themen in GPU-Beschleunigung
- Gemeinsamer Speicher und Synchronisation
- Nutzung von Streams für asynchrone Ausführung
- Grundlagen der Multi-GPU-Programmierung
Konvertieren von CPU-basierten Anwendungen nach GPU
- Profilerstellung von CPU-Code
- Identifizierung paralleler Abschnitte
- Versetzung der Logik in CUDA-Kerne
Fehlersuche und Behebung
- Debuggen von CUDA-Anwendungen
- Häufige Fehler und Lösungsansätze
- Tools und Techniken für Tests und Validierung
Zusammenfassung und weitere Schritte
- Aufarbeitung der wesentlichen Konzepte
- Beste Praktiken in GPU-Programmierung
- Ressourcen für das fortgesetzte Lernen
Voraussetzungen
- Python Programmiererfahrung
- Erfahrung mit NumPy (ndarrays, ufuncs, etc.)
Publikum
- Entwickler
14 Stunden
Erfahrungsberichte (1)
Sehr interaktiv mit verschiedenen Beispielen, mit einer guten Progression in der Komplexität zwischen dem Beginn und dem Ende des Trainings.
Jenny - Andheo
Kurs - GPU Programming with CUDA and Python
Maschinelle Übersetzung