Kézzelfogható GPU-programozás Python és CUDA segítségével

Olvasói vélemények

A könyv gyakorlati útmutató a Python és a CUDA segítségével történő GPU-programozás elsajátításához. Világos magyarázatokat és gyakorlati példákat nyújt, és egyaránt alkalmas kezdők és tapasztalt programozók számára. Bár a gyakorlati alkalmazásai miatt nagyon ajánlott, némi kritikával kell szembenéznie, mivel a Python 2-re támaszkodik, ami a Python 3-ra áttérő felhasználók számára átalakítást igényelhet.

Gyakorlatias az újonnan tanulók számára, világos és alapos magyarázatok, gyakorlati példák, kihasználja a PyCUDA-t az elérhetőség érdekében, nagyszerű forrás a teljesítmény javításához, az elméleti szempontokat mélységében tárgyalja, érzékeny szerzői támogatás a frissítésekhez.

Python 2-t használ, ami kompatibilitási problémákhoz vezethet az újabb környezetekkel, a felhasználóknak szükségük lehet a kód Python 3-ra való konvertálására, késések a frissített kiadások kiadásában.

(7 olvasói vélemény alapján)

Eredeti címe:

Hands-On GPU Programming with Python and CUDA

Könyv tartalma:

Építs GPU-gyorsított, nagy teljesítményű alkalmazásokat Python 2 segítségével. 7, a CUDA 9 és olyan nyílt forráskódú könyvtárakkal, mint a PyCUDA és a scikit-cuda. Javasoljuk a Python 2. 7-et, mivel ez a verzió stabilan támogatja a könyvben használt összes könyvtárat. Főbb jellemzők Megismerkedik az olyan GPU-programozási eszközökkel, mint a PyCUDA, a scikit-cuda és az Nsight Olyan CUDA könyvtárak felfedezése, mint a cuBLAS, a cuFFT és a cuSolver GPU-programozás alkalmazása a modern adattudományi alkalmazásokhoz Könyv leírása

A GPU-programozás a CPU-n futó, intenzív feladatokat a gyorsabb számítástechnika érdekében a CPU-ról leválasztó technika. A Hands-On GPU Programming with Python and CUDA segít felfedezni a Python és a CUDA erejét ötvöző, nagy teljesítményű Python-alkalmazások fejlesztésének módjait.

Ez a könyv segít Önnek abban, hogy a lehető legjobban belevágjon - először is megtanulja, hogyan alkalmazza Amdahl törvényét, hogyan használja a kódprofilozót a Python-kód szűk keresztmetszeteinek azonosítására, és hogyan állítsa be a GPU-programozási környezetet. Ezután meglátja, hogyan kérdezheti le a GPU jellemzőit, és hogyan másolhat adatmintákat a GPU memóriájába és memóriájából. A könyv során a kódot közvetlenül a GPU-n futtathatja, és teljes értékű GPU-kerneleket és eszközfüggvényeket írhat CUDA C-ben. Megismerkedhet a GPU-kód profilozásával, és teljes mértékben tesztelheti és hibakeresheti kódját az Nsight IDE segítségével. A könyv továbbá kitér néhány jól ismert NVIDIA-könyvtárra, például a cuFFT-re és a cuBLAS-ra.

A szilárd háttérrel a kezében a semmiből fejlesztheti saját GPU-alapú mély neurális hálózatát, és olyan fejlett témákat fedezhet fel, mint a warp shuffling, a dinamikus párhuzamosság és a PTX assembly. Végül olyan témákat és alkalmazásokat érint, mint a mesterséges intelligencia, a grafika és a blokklánc.

A könyv végére magabiztosan oldja meg az adattudományhoz és a nagy teljesítményű számítástechnikához kapcsolódó problémákat GPU-programozással. Amit megtanulhat Hatékony és hatékony GPU-kernelek és eszközfüggvények írása Olyan könyvtárakkal való munka, mint a cuFFT, a cuBLAS és a cuSolver Kódjának hibakeresése és profilozása az Nsight és a Visual Profiler segítségével GPU-programozás alkalmazása adattudományi problémákra GPU-alapú mély neurális hálózat létrehozása a semmiből Fejlett GPU-hardverfunkciók, például a warp shuffling felfedezése Kinek szól ez a könyv?

Ez a könyv azoknak a fejlesztőknek és adattudósoknak szól, akik szeretnék megtanulni a hatékony GPU-programozás alapjait a teljesítmény növelése érdekében a Python-kód használatával. Hasznos lesz a matematikai és fizikai fogalmak ismerete, valamint némi tapasztalat a Python és bármely C-alapú programozási nyelvvel. Tartalomjegyzék Miért a GPU-programozás? A GPU-programozási környezet beállítása A PyCUDA használatának kezdetei Kernelek, szálak, blokkok és rácsok Folyamok, események, kontextusok és párhuzamosság A CUDA kód hibakeresése és profilozása A CUDA könyvtárak használata a Scikit-CUDA Draft complete A CUDA eszközfunkciós könyvtárak és a Thrust Mély neurális hálózat megvalósítása Kompilált GPU-kóddal való munka Teljesítményoptimalizálás CUDA-ban Hová tovább?