Kézzelfogható GPU-számítás Pythonnal

Olvasói vélemények

A könyv részletesen bemutatja a CPU- és GPU-technológia történetét, de a GPU-számítással és programozással kapcsolatos hasznos információk és gyakorlati ismeretek nyújtásában alulmarad. Hiányzik belőle a fókusz, és nem tárgyalja megfelelően a programozási fogalmakat.

Világos és jól megírt történelmi összefüggések a CPU és a GPU vonatkozásában; a könyv végén gyakorlati példákat tartalmaz a Pytorch és más modulok használatára.

⬤ Túlságosan a történelmi tényekre összpontosít, kevés hasznos információval vagy programozási ismerettel
⬤ a könyv első 30%-a felesleges
⬤ nem foglalkozik részletesen a CUDA és a PyCUDA témakörével
⬤ nem alkalmas a programozási ismereteiket fejleszteni kívánó olvasók számára.

(1 olvasói vélemény alapján)

Eredeti címe:

Hands-On GPU Computing with Python

Könyv tartalma:

Fedezze fel a GPU-alapú programozható környezetet gépi tanuláshoz, tudományos alkalmazásokhoz és játékhoz a PuCUDA, PyOpenGL és Anaconda Accelerate segítségével Főbb jellemzők Értse meg a hatékony szinkronizációs stratégiákat a gyorsabb feldolgozáshoz a GPU-k segítségével Párhuzamos feldolgozási szkriptek írása PyCuda és PyOpenCL segítségével Tanulja meg használni a CUDA könyvtárakat, például a CuDNN-t a GPU-kon történő mélytanuláshoz Könyv leírása

A GPU-k kiváló általános célú párhuzamos számítási megoldásoknak bizonyulnak a nagy teljesítményű feladatokhoz, például a mélytanuláshoz és a tudományos számításokhoz.

Ez a könyv a GPU-alapú számítástechnikával való ismerkedés útmutatója lesz. A GPU-számítás bevezetésével kezdődik, és elmagyarázza a GPU-k architektúráját és programozási modelljeit. Példákon keresztül megtanulja, hogyan végezhet GPU-programozást Pythonnal, és megnézi, hogyan használhat olyan integrációkat, mint a PyCUDA, PyOpenCL, CuPy és Numba az Anacondával különböző feladatokhoz, például gépi tanuláshoz és adatbányászathoz. Továbbhaladva megismerkedsz a GPU munkafolyamatokkal, a kezeléssel és a telepítéssel a modern konténerizációs megoldások segítségével. A könyv vége felé megismerkedik az elosztott számítástechnika elveivel a gépi tanulási modellek képzéséhez, valamint a hatékonyság és a teljesítmény növeléséhez.

A könyv végére képes leszel egy GPU-ökoszisztémát létrehozni olyan összetett alkalmazások és adatmodellek futtatásához, amelyek nagy feldolgozási képességeket igényelnek, és képes leszel hatékonyan kezelni a memóriát, hogy hatékonyan és gyorsan kiszámíthasd az alkalmazásodat. Amit megtanulhat Python könyvtárak és keretrendszerek használata GPU-gyorsításhoz GPU-képes programozható gépi tanulási környezet beállítása a rendszerén az Anaconda segítségével A gépi tanulási rendszerét felhő-konténereken telepíti illusztrált példák segítségével Fedezze fel a PyCUDA és a PyOpenCL programokat, és hasonlítsa össze őket olyan platformokkal, mint a CUDA, az OpenCL és a ROCm. Végezzen adatbányászati feladatokat gépi tanulási modellekkel GPU-kon Bővítse a GPU-számítással kapcsolatos ismereteit a tudományos alkalmazásokban Kiknek szól ez a könyv?

Adattudósok, a gépi tanulás szerelmesei és szakemberek, akik szeretnének belevágni a GPU-számításba, és alacsony késleltetéssel végezni az összetett feladatokat. A Python programozás középszintű ismerete feltételezhető. Tartalomjegyzék Bevezetés a GPU-számításba A GPU-számítási stratégia megtervezése GPU-számítási platform beállítása az NVIDIA és az AMD segítségével A GPU-programozás alapjai A környezet beállítása GPU-programozáshoz A PyCUDA-val való munka A PyOpenCL-lel való munka Az Anacondával és az Anaconda Accelerate Containerizáció GPU-képes platformokon Gépi tanulás GPU-kon: Felhasználási esetek GPU-gyorsítás tudományos alkalmazásokhoz a Deepchem segítségével