Temario del curso
Introducción a la Computación Acelerada por GPU
- Computación heterogénea y arquitectura CPU-GPU.
- Espacios de ejecución y memoria de CUDA.
- Compilación de C++ con CUDA usando nvcc y CMake.
- Verificación del entorno de desarrollo de GPU.
Algoritmos Paralelos con Thrust y CUB
- Ordenamiento, reducción y transformación acelerados por GPU.
- Refactorización de algoritmos STL para ejecución en GPU.
- Vectores de dispositivo Thrust y políticas de ejecución.
- Primitivas globales de dispositivo CUB para pipelines personalizados.
Arquitectura y Gestión de Memoria de GPU
- Tipos de memoria global, constante y textura.
- Alocación explícita de memoria de dispositivo y transferencias.
- Memoria Unificada para un acceso a datos simplificado.
- Coalescencia de memoria y optimización de patrones de acceso.
Ejecución Asíncrona con Streams de CUDA
- Creación y gestión de streams CUDA.
- Solapar la ejecución del kernel con transferencias de datos.
- Eventos CUDA para la gestión de dependencias.
- Prioridades de stream y ajuste de concurrencia.
Escribiendo Kernels CUDA Personalizados
- El modelo de programación SIMT y ejecución por warp.
- Configuración de lanzamiento de kernels y bucles tipo grid-stride.
- Indexación de hilos y grids multidimensionales.
- Gestión de errores y verificaciones de la API de runtime CUDA.
Jerarquía de Hilos y Modelo de Ejecución
- Grids, bloques y hilos en código de dispositivo.
- Primitivas a nivel de warp y operaciones de votación (ballot).
- Sincronización y barreras a nivel de bloque.
- Análisis de ocupancia y utilización de recursos.
Grupos Cooperativos para Parallelismo Flexible
- La API cooperative_groups y tipos de grupo.
- Tiles de bloques de hilos y tiled_partition.
- Lanzamientos cooperativos a nivel de grid.
- Patrones de sincronización multi-grid.
Técnicas de Optimización con Memoria Compartida
- Bancos de memoria compartida y evitación de conflictos de banco.
- Estrategias de tile para operaciones matriciales.
- Memoria compartida como caché gestionada por el usuario.
- cuda::shared_memory_mdspan para vistas multidimensionales.
Fusión de Kernels y Patrones Avanzados de Parallelismo
- Fusionar múltiples kernels para reducir la sobrecarga de lanzamiento.
- Algoritmos de scan, reduce-by-key y segmentados.
- Operaciones atómicas y estructuras de datos sin bloqueo (lock-free).
- Atómicos agregados por warp para mejorar el throughput.
Perfilado y Optimización con Nsight Systems
- Análisis cronológico de la actividad de CPU y GPU.
- Identificación de cuellos de botella en transferencias de memoria.
- Perfilado de rendimiento y ocupancia del kernel.
- Optimización iterativa con Nsight Compute.
Características Modernas de C++ en Código de Dispositivo CUDA
- Lambdas, constexpr y auto dentro de kernels.
- Algoritmos paralelos C++17 y políticas de ejecución.
- Conceptos C++20 y ranges en el dispositivo.
- Soporte para C++23 en nvcc y CCCL 3.x.
CUDA Graphs y Asincronía Avanzada
- Definición y lanzamiento de CUDA graphs.
- Captura de grafos desde la ejecución del stream.
- Actualización de grafos y nodos de ejecución condicional.
- Reducción de latencia de lanzamiento para cargas de trabajo iterativas.
Patrones de Integración para Aplicaciones Existentes
- Agregar código GPU detrás de interfaces C++.
- Gestión de sistemas multi-GPU y NUMA.
- Integración del sistema de compilación con CMake y CUDA.
- Depuración de código de dispositivo con cuda-gdb.
Resumen y Mejores Prácticas
- Elegir entre Thrust, CUB y kernels personalizados.
- Portabilidad de rendimiento entre arquitecturas GPU.
- Organización del código y RAII para recursos CUDA.
- Siguientes pasos y rutas de aprendizaje avanzado en CUDA.
Requerimientos
- Competencia básica en C++ que incluya expresiones lambda, plantillas y la STL.
- Familiaridad con algoritmos estándar, contenedores e iteradores.
- Comodidad con bucles, condicionales y funciones.
- No se requiere conocimiento previo de CUDA o programación GPU.
Audiencia Objetivo
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en cómputo con GPUs.
- Ingenieros de software que transicionan de programación exclusivamente en CPU a programación paralela heterogénea.
- Ingenieros de rendimiento y desarrolladores cuantitativos que trabajan con grandes conjuntos de datos.
Reseñas (3)
Explicación detallada, reiteración de los puntos de manera sutil que realmente hizo que el conocimiento quedara muy bien asimilado. La disposición de Rod a doblegar la información sobre las preguntas poco comunes que planteamos para asegurarse de que sus respuestas fueran 100% correctas. Además, su interés en discutir los pros y contras de diferentes estilos de codificación, lo que nos permitió no solo aprender a usar C++ de la manera prevista, sino también entender por qué debía hacerse de esa forma.
Nick Dillon - cellxica Ltd
Curso - Using C++ in Embedded Systems - Applying C++11/C++14
Traducción Automática
La experiencia compartida, el saber hacer del profesor y su valor son importantes.
Carey Fan - Logitech
Curso - C/C++ Secure Coding
Traducción Automática
La naturaleza en línea de la formación significó que pudimos ahorrar mucho tiempo. Lo apreciamos enormemente. Además, el hecho de que el instructor conociera tanto C# como C++ fue de gran ayuda, ya que pudo explicar todo a través del conocimiento que ya poseíamos.
Gabor - Rheinmetall Electronics Hungary Kft
Curso - Advanced C++
Traducción Automática
