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 CUDA C++ con nvcc y CMake.
- Verificación del entorno de desarrollo GPU.
Algoritmos Paralelos con Thrust y CUB
- Ordenación, reducción y transformación aceleradas por GPU.
- Reestructuración de algoritmos STL para ejecución en GPU.
- Vectores de dispositivo de Thrust y políticas de ejecución.
- Primitivas globales de dispositivo CUB para pipelines personalizados.
Arquitectura y Gestión de Memoria GPU
- Tipos de memoria global, constante y textura.
- Asignación explícita de memoria de dispositivo y transferencias.
- Memoria Unificada para un acceso simplificado a datos.
- Agrupación de memoria y optimización de patrones de acceso.
Ejecución Asíncrona con Secuencias de CUDA
- Creación y gestión de secuencias CUDA.
- Solapar la ejecución del kernel con transferencias de datos.
- Eventos de CUDA para la gestión de dependencias.
- Prioridades de secuencia y ajuste de concurrencia.
Escribiendo Kernels CUDA Personalizados
- El modelo de programación SIMT y la ejecución de warps.
- Configuración de lanzamiento del kernel y bucles de paso de grilla.
- Indexación de hilos y grillas multidimensionales.
- Gestión de errores y verificaciones de la API de tiempo de ejecución de CUDA.
Jerarquía de Hilos y Modelo de Ejecución
- Grillas, bloques y hilos en código de dispositivo.
- Primitivas a nivel de warp y operaciones de voto.
- Sincronización a nivel de bloque y barreras.
- Análisis de ocupación y utilización de recursos.
Grupos Cooperativos para Paralelismo Flexible
- La API cooperative_groups y tipos de grupo.
- Mosas de bloques de hilos y tiled_partition.
- Lanzamientos cooperativos a nivel de grilla.
- Patrones de sincronización multi-grilla.
Técnicas de Optimización de Memoria Compartida
- Bancos de memoria compartida y evitación de conflictos de bancos.
- Estrategias de mosaico 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 Paralelismo
- Fusionar múltiples kernels para reducir la sobrecarga de lanzamiento.
- Algoritmos de escaneo, reducción por clave y segmentados.
- Operaciones atómicas y estructuras de datos sin bloqueo.
- Atómicos agregados por warp para aumentar el rendimiento.
Perfilado y Optimización con Nsight Systems
- Análisis de línea de tiempo de actividad de CPU y GPU.
- Identificación de cuellos de botella en transferencias de memoria.
- Perfilado de rendimiento del kernel y ocupación.
- Optimización iterativa con Nsight Compute.
Características Modernas de C++ en Código de Dispositivo CUDA
- Lambdas, constexpr y auto en kernels.
- Algoritmos paralelos C++17 y políticas de ejecución.
- Conceptos y rangos C++20 en dispositivo.
- Soporte C++23 en nvcc y CCCL 3.x.
Gráficos CUDA y Asincronía Avanzada
- Definición y lanzamiento de gráficos CUDA.
- Captura de gráficos a partir de ejecución de secuencias.
- Actualización de gráficos y nodos de ejecución condicional.
- Reducción de la latencia de lanzamiento para cargas de trabajo iterativas.
Patrones de Integración para Aplicaciones Existentes
- Encapsulación del código GPU detrás de interfaces C++.
- Gestión de sistemas multi-GPU y NUMA.
- Integración con sistemas de compilación usando CMake y CUDA.
- Depuración de código de dispositivo con cuda-gdb.
Resumen y Mejores Prácticas
- Elegir entre Thrust, CUB y kernels personalizados.
- Portabilidad del rendimiento a través de arquitecturas GPU.
- Organización del código y RAII para recursos CUDA.
- Siguientes pasos y rutas de aprendizaje avanzadas en CUDA.
Requerimientos
- Competencia básica en C++ que incluya expresiones lambda, plantillas y STL.
- Familiaridad con algoritmos estándar, contenedores e iteradores.
- Comodidad con bucles, condicionales y funciones.
- No se requiere conocimiento previo de CUDA o programación GPU.
Público Objetivo
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en cómputo con GPU.
- Ingenieros de software que transitan de programación solo con 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
