Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
- Qu'est-ce que CUDA ?
- CUDA vs OpenCL vs SYCL
- Présentation des fonctionnalités et de l'architecture de CUDA
- Configuration de l'environnement de développement
Pour commencer
- Création d'un nouveau projet CUDA à l'aide de Visual Studio Code
- Exploration de la structure et des fichiers du projet
- Compilation et exécution du programme
- Affichage de la sortie à l'aide de printf et fprintf
API CUDA
- Comprendre le rôle de l'API CUDA dans le programme hôte
- Utilisation de l'API CUDA pour interroger les informations et les capacités des périphériques
- Utilisation de l'API CUDA pour allouer et désallouer la mémoire des périphériques
- Utilisation de l'API CUDA pour copier des données entre l'hôte et le périphérique
- Utilisation de l'API CUDA pour lancer des noyaux et synchroniser des threads
- Utilisation de l'API CUDA pour gérer les erreurs et les exceptions
CUDA C/C++
- Comprendre le rôle de CUDA C/C++ dans le programme du périphérique
- Utilisation de CUDA C/C++ pour écrire des noyaux qui s'exécutent sur le GPU et manipulent des données
- Utiliser les types de données, les qualificateurs, les opérateurs et les expressions de CUDA C/C++.
- Utilisation des fonctions intégrées CUDA C/C++, telles que math, atomic, warp, etc.
- Utilisation des variables intégrées CUDA C/C++, telles que threadIdx, blockIdx, blockDim, etc.
- Utilisation des bibliothèques CUDA C/C++, telles que cuBLAS, cuFFT, cuRAND, etc.
Modèle de mémoire CUDA
- Comprendre la différence entre les modèles de mémoire hôte et périphérique
- Utilisation des espaces mémoire CUDA, tels que global, partagé, constant et local
- Utilisation des objets mémoire CUDA, tels que les pointeurs, les tableaux, les textures et les surfaces
- Utilisation des modes d'accès à la mémoire CUDA, tels que la lecture seule, l'écriture seule, la lecture-écriture, etc.
- Utilisation du modèle de cohérence de la mémoire CUDA et des mécanismes de synchronisation
Modèle d'exécution CUDA
- Comprendre la différence entre les modèles d'exécution de l'hôte et du périphérique
- Utilisation des threads, blocs et grilles CUDA pour définir le parallélisme
- Utilisation des fonctions de thread CUDA, telles que threadIdx, blockIdx, blockDim, etc.
- Utilisation des fonctions de bloc CUDA, telles que __syncthreads, __threadfence_block, etc.
- Utilisation des fonctions de grille CUDA, telles que gridDim, gridSync, groupes coopératifs, etc.
Débogage
- Comprendre les erreurs et les bogues courants dans les programmes CUDA
- Utilisation du débogueur de code Visual Studio pour inspecter les variables, les points d'arrêt, la pile d'appels, etc.
- Utilisation de CUDA-GDB pour déboguer les programmes CUDA sur Linux.
- Utilisation de CUDA-MEMCHECK pour détecter les erreurs et les fuites de mémoire
- Utilisation de NVIDIA Nsight pour déboguer et analyser les programmes CUDA sous Windows
Optimisation
- Comprendre les facteurs qui affectent les performances des programmes CUDA
- Utilisation des techniques de coalescence CUDA pour améliorer le débit de la mémoire
- Utilisation des techniques de mise en cache et de préemption CUDA pour réduire la latence de la mémoire
- Utilisation des techniques de mémoire partagée et de mémoire locale CUDA pour optimiser les accès à la mémoire et la bande passante
- Utilisation d'outils de profilage CUDA pour mesurer et améliorer le temps d'exécution et l'utilisation des ressources.
Résumé et prochaines étapes
Pré requis
- Compréhension du langage C/C++ et des concepts de programmation parallèle
- Connaissance de base de l'architecture des ordinateurs et de la hiérarchie de la mémoire
- Expérience des outils de ligne de commande et des éditeurs de code
Public
- Développeurs souhaitant apprendre à utiliser CUDA pour programmer les processeurs NVIDIAGPU et exploiter leur parallélisme.
- Développeurs souhaitant écrire un code performant et évolutif pouvant être exécuté sur différents périphériques CUDA
- Les programmeurs qui souhaitent explorer les aspects de bas niveau de la programmation GPU et optimiser les performances de leur code.
28 Heures
