Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción
- ¿Qué es CUDA?
- CUDA frente a OpenCL vs SYCL
- Descripción general de las características y arquitectura de CUDA
- Configuración del entorno de desarrollo
Primeros pasos
- Creación de un nuevo proyecto de CUDA utilizando Visual Studio Code
- Exploración de la estructura del proyecto y los archivos
- Compilación y ejecución del programa
- Mostrar la salida mediante printf y fprintf
API de CUDA
- Comprender el papel de la API de CUDA en el programa host
- Uso de la API de CUDA para consultar información y capacidades del dispositivo
- Uso de la API de CUDA para asignar y liberar memoria del dispositivo
- Uso de la API de CUDA para copiar datos entre el host y el dispositivo
- Uso de la API de CUDA para lanzar kernels y sincronizar hilos
- Uso de la API de CUDA para manejar errores y excepciones
CUDA C/C++
- Comprender el papel de CUDA C/C++ en el programa del dispositivo
- Uso de CUDA C/C++ para escribir kernels que se ejecuten en la GPU y manipulen datos
- Uso de tipos de datos, calificadores, operadores y expresiones de CUDA C/C++
- Uso de funciones integradas de CUDA C/C++, como matemáticas, atómicas, warp, etc.
- Uso de variables integradas de CUDA C/C++, como threadIdx, blockIdx, blockDim, etc.
- Uso de bibliotecas de CUDA C/C++, como cuBLAS, cuFFT, cuRAND, etc.
Modelo de memoria de CUDA
- Comprender la diferencia entre los modelos de memoria del host y del dispositivo
- Uso de espacios de memoria de CUDA, como global, compartido, constante y local
- Uso de objetos de memoria de CUDA, como punteros, matrices, texturas y superficies
- Uso de modos de acceso a la memoria de CUDA, como solo lectura, solo escritura, lectura-escritura, etc.
- Uso del modelo de coherencia de memoria de CUDA y mecanismos de sincronización
Modelo de ejecución de CUDA
- Comprender la diferencia entre los modelos de ejecución del host y del dispositivo
- Uso de hilos, bloques y rejillas de CUDA para definir el paralelismo
- Uso de funciones de hilos de CUDA, como threadIdx, blockIdx, blockDim, etc.
- Uso de funciones de bloques de CUDA, como __syncthreads, __threadfence_block, etc.
- Uso de funciones de rejillas de CUDA, como gridDim, gridSync, grupos cooperativos, etc.
Depuración
- Comprender los errores y errores comunes en los programas de CUDA
- Uso del depurador de Visual Studio Code para inspeccionar variables, puntos de ruptura, pila de llamadas, etc.
- Uso de CUDA-GDB para depurar programas de CUDA en Linux
- Uso de CUDA-MEMCHECK para detectar errores y fugas de memoria
- Uso de NVIDIA Nsight para depurar y analizar programas de CUDA en Windows
Optimización
- Comprender los factores que afectan el rendimiento de los programas de CUDA
- Uso de técnicas de coalescencia de CUDA para mejorar el ancho de banda de memoria
- Uso de técnicas de almacenamiento en caché y prefetching de CUDA para reducir la latencia de memoria
- Uso de técnicas de memoria compartida y local de CUDA para optimizar los accesos a la memoria y el ancho de banda
- Uso de perfilado de CUDA y herramientas de perfilado para medir y mejorar el tiempo de ejecución y la utilización de recursos
Resumen y próximos pasos
Requerimientos
- Comprensión del lenguaje C/C++ y conceptos de programación paralela
- Conocimientos básicos de arquitectura de computadoras y jerarquía de memoria
- Experiencia con herramientas de línea de comandos y editores de código
Audiencia
- Desarrolladores que deseen aprender a utilizar CUDA para programar GPUs NVIDIA y explotar su paralelismo
- Desarrolladores que deseen escribir código de alto rendimiento y escalable que pueda ejecutarse en diferentes dispositivos CUDA
- Programadores que quieran explorar los aspectos de bajo nivel de la programación de GPU y optimizar el rendimiento de su código
28 Horas