Visão Geral

Este curso ensina as ferramentas e técnicas fundamentais para acelerar aplicativos C/C++ para execução em GPUs massivamente paralelas com CUDA. Você aprenderá como escrever código, configurar a paralelização de código com CUDA, otimizar a migração de memória entre a CPU e o acelerador GPU e implementar o fluxo de trabalho que aprendeu em uma nova tarefa – acelerando uma partícula totalmente funcional, mas somente CPU. simulador para ganhos massivos de desempenho observáveis. Ao final do curso, você terá acesso a recursos adicionais para criar por conta própria novos aplicativos acelerados por GPU.

Objetivo

Após concluir este Curso Fundamentals of Accelerated Computing with CUDA C/C++ Training, você será capaz de:

• Escreva o código a ser executado por um acelerador GPU
• Expor e expressar dados e paralelismo em nível de instrução em aplicativos C/C++ usando CUDA
• Utilize memória gerenciada por CUDA e otimize a migração de memória usando pré-busca assíncrona
• Aproveite a linha de comando e perfis visuais para orientar seu trabalho
• Utilize fluxos simultâneos para paralelismo em nível de instrução
• Escreva aplicativos CUDA C/C++ acelerados por GPU ou refatore aplicativos existentes somente de CPU, usando uma abordagem orientada por perfil

Pre-Requisitos

• Competência básica em C/C++, incluindo familiaridade com tipos de variáveis, loops, instruções condicionais, funções e manipulações de array
• Nenhum conhecimento prévio de programação CUDA é assumido

Materiais

Conteúdo Programatico

• Introduction
• Accelerating Applications with CUDA C/C++
• 1. Learn the essential syntax and concepts to be able to write GPU-enabled C/C++ applications with CUDA.
  2. Write, compile, and run GPU code.
  3. Control parallel thread hierarchy.
  4. Allocate and free memory for the GPU.
• Managing Accelerated Application Memory with CUDA C/C++
• 1. Learn the command-line profiler and CUDA-managed memory, focusing on observation-driven application improvements and a deep understanding of managed memory behavior.
  2. Profile CUDA code with the command-line profiler.
  3. Go deep on unified memory.
  4. Optimize unified memory management.
• Asynchronous Streaming and Visual Profiling for Accelerated Applications with CUDA C/C++
• 1. Identify opportunities for improved memory management and instruction-level parallelism.
  2. Profile CUDA code with NVIDIA Nsight Systems.
  3. Use concurrent CUDA streams.
• Final Review