Programare practică pe GPU cu Python și CUDA

Recenzii ale cititorilor

Cartea este un ghid practic pentru învățarea programării GPU cu Python și CUDA. Oferă explicații clare, exemple practice și este potrivită atât pentru începători, cât și pentru programatorii experimentați. Deși este foarte recomandată pentru aplicațiile sale practice, se confruntă cu unele critici pentru dependența sa de Python 2, care poate necesita conversia pentru utilizatorii care trec la Python 3.

Practic pentru noii cursanți, explicații clare și complete, exemple practice, valorifică PyCUDA pentru accesibilitate, resursă excelentă pentru îmbunătățirea performanței, acoperă aspectele teoretice în profunzime, suport autor receptiv pentru actualizări.

Utilizează Python 2, ceea ce poate duce la probleme de compatibilitate cu medii mai noi, utilizatorii pot avea nevoie să convertească codul la Python 3, întârzieri în lansarea edițiilor actualizate.

(pe baza a 7 recenzii ale cititorilor)

Titlul original:

Hands-On GPU Programming with Python and CUDA

Conținutul cărții:

Creați aplicații performante accelerate de GPU cu Python 2. 7, CUDA 9 și biblioteci open source precum PyCUDA și scikit-cuda. Recomandăm utilizarea Python 2. 7 deoarece această versiune are suport stabil în toate bibliotecile utilizate în această carte. Caracteristici cheie Familiarizați-vă cu instrumentele de programare GPU, cum ar fi PyCUDA, scikit-cuda și Nsight Explorați bibliotecile CUDA, cum ar fi cuBLAS, cuFFT și cuSolver Aplicați programarea GPU la aplicațiile moderne de știința datelor Descrierea cărții

Programarea GPU este tehnica de descărcare a sarcinilor intensive care rulează pe CPU pentru un calcul mai rapid. Hands-On GPU Programming with Python and CUDA vă va ajuta să descoperiți modalități de a dezvolta aplicații Python de înaltă performanță, combinând puterea Python și CUDA.

Această carte vă va ajuta să porniți la drum - veți începe prin a învăța cum să aplicați legea lui Amdahl, să utilizați un profiler de cod pentru a identifica blocajele din codul Python și să configurați un mediu de programare GPU. Veți vedea apoi cum să interogați caracteristicile unui GPU și să copiați matrice de date în și din memoria acestuia. Pe măsură ce parcurgeți cartea, vă veți rula codul direct pe GPU și veți scrie nuclee GPU complete și funcții de dispozitiv în CUDA C. Vă veți familiariza chiar și cu profilarea codului GPU și vă veți testa și depana complet codul utilizând Nsight IDE. În plus, cartea acoperă unele biblioteci NVIDIA bine cunoscute, cum ar fi cuFFT și cuBLAS.

Cu o bază solidă, veți putea să vă dezvoltați propria rețea neuronală profundă bazată pe GPU de la zero și să explorați subiecte avansate, cum ar fi warp shuffling, paralelism dinamic și asamblare PTX. În cele din urmă, veți aborda subiecte și aplicații precum AI, grafica și blockchain.

Până la sfârșitul acestei cărți, veți fi încrezător în rezolvarea problemelor legate de știința datelor și calculul de înaltă performanță cu ajutorul programării GPU. Ce veți învăța Scrieți nuclee GPU și funcții de dispozitiv eficace și eficiente Lucrați cu biblioteci precum cuFFT, cuBLAS și cuSolver Depanarea și profilarea codului dvs. cu Nsight și Visual Profiler Aplicați programarea GPU la problemele din știința datelor Construiți o rețea neuronală profundă bazată pe GPU de la zero Explorați caracteristici hardware GPU avansate, precum warp shuffling Pentru cine este această carte

Această carte se adresează dezvoltatorilor și oamenilor de știință din domeniul datelor care doresc să învețe elementele de bază ale programării eficiente a GPU pentru a îmbunătăți performanța utilizând codul Python. Familiarizarea cu conceptele de matematică și fizică, împreună cu o anumită experiență cu Python și orice limbaj de programare bazat pe C vor fi utile. Table of Contents De ce programarea pe GPU? Configurarea mediului de programare pe GPU Noțiuni introductive despre PyCUDA Kernels, Threads, Blocks și Grids Streams, Events, Contexts și Concurrency Depanarea și profilarea codului CUDA Utilizarea bibliotecilor CUDA cu Scikit-CUDA Draft complete Bibliotecile CUDA Device Function și Thrust Implementarea unei rețele neuronale profunde Lucrul cu codul GPU compilat Optimizarea performanței în CUDA Unde să mergem de aici