Eğitim İçeriği

Giriş

  • GPU programlaması nedir?
  • CUDA'yı Python ile neden kullanmalıyız?
  • Ana kavramlar: Çeçilikler, Bloklar, Ağlar

CUDA Özellikleri ve Mimarisine Genel Bakış

  • GPU vs CPU mimari
  • SIMT (Tek Komut, Çoklu Çeçilik) anlama gelmesi
  • CUDA programlama modeli

Geliştirme Ortamını Kurma

  • CUDA Toolkit ve sürücüleri kurma
  • Python ve Numba'yı kurma
  • Ortamı kurma ve doğrulama

Paralel Programming Temelleri

  • Paralel yürütmeye giriş
  • Çeçilikler ve çeçilik hiyerarşilerini anlama gelmesi
  • Terslerle çalışmak ve senkronizasyon

Numba Derleyicisiyle Çalışma

  • Numba'ya giriş
  • Numba ile CUDA çekirdekleri yazma
  • @cuda.jit dekoratörlerini anlama gelmesi

Özel CUDA Çekirdeği Oluşturma

  • Başlangıç çekirdeğinin yazılması ve başlatılması
  • Elemanlar arası işlemler için çöp yığınlarını kullanma
  • Ağ ve blok boyutlarının yönetimi

Bellek Management

  • GPU belleği türleri (genel, paylaşılan, yerel, sabit)
  • Ana makine ile cihaz arasındaki bellek aktarımı
  • Bellek kullanımını en üst düzeye çıkarma ve engellerden kaçınma

GPU İleri Konuları

  • Paylaşılan bellek ve senkronizasyon
  • Aşırı yükleme için akışları kullanma
  • Birçok-GPU programlama temelleri

CPU tabanlı Uygulamaların GPU'e Çevrilmesi

  • GPU kodu profilliği
  • Paralelleştirilebilir bölgelerin belirlenmesi
  • Lojikayı CUDA çekirdeklerine taşıma

Sorun Giderme

  • CUDA uygulamalarının hata ayıklaması
  • Bilinen hatalar ve çözümleri
  • Test ve doğrulama için araçlar ve teknikler

Özet ve Sonraki Adımlar

  • Ana kavramların gözden geçirilmesi
  • GPU programlamasında en iyi uygulamalar
  • Devamlı öğrenme kaynakları

Kurs İçin Gerekli Önbilgiler

  • Python programlama deneyimi
  • NumPy (ndarrays, ufuncs, vb.) deneyimi

Hedef Kitle

  • Geliştiriciler
 14 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Danışanlarımızın Yorumları (1)

Yaklaşan Etkinlikler

İlgili Kategoriler