Temario del curso
Introducción a la Computación Acelerada con 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
- Ordenamiento, reducción y transformación acelerados por GPU
- Refactorización de algoritmos STL para ejecución en GPU
- Vectores de dispositivo Thrust y políticas de ejecución
- Primitivas de dispositivo completo de CUB para tuberías personalizadas
Arquitectura y Gestión de Memoria GPU
- Tipos de memoria global, constante y textura
- Asignación explícita de memoria del dispositivo y transferencias
- Memoria Unificada para facilitar el acceso a datos
- Agrupación de memoria y optimización de patrones de acceso
Ejecución Asíncrona con Flujos CUDA
- Creación y gestión de flujos CUDA
- Solapar la ejecución del núcleo con transferencias de datos
- Eventos CUDA para la gestión de dependencias
- Prioridades de flujo y ajuste de concurrencia
Escribiendo Núcleos CUDA Personalizados
- El modelo de programación SIMT y la ejecución de grupo (warp)
- Configuración del lanzamiento del núcleo y bucles de paso de grilla (grid-stride)
- Indexación de hilos y grillas multidimensionales
- Manejo de errores y verificaciones de la API de tiempo de ejecución CUDA
Jerarquía de Hilos y Modelo de Ejecución
- Grillas, bloques e hilos en el código del dispositivo
- Primitivas a nivel de grupo (warp) y operaciones de votación
- 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 grupos
- Baldosas (tiles) de bloque 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 evitar conflictos de banco
- Estrategias de baldosas (tiling) para operaciones de matriz
- Memoria compartida como caché gestionada por el usuario
- cuda::shared_memory_mdspan para vistas multidimensionales
Fusión de Núcleos y Patrones Avanzados de Paralelismo
- Fusionar múltiples núcleos para reducir la sobrecarga del lanzamiento
- Escaneo, reducción por clave y algoritmos segmentados
- Operaciones atómicas y estructuras de datos sin bloqueo
- Atómicos agregados por grupo (warp) para aumentar el rendimiento
Perfilado y Optimización con Nsight Systems
- Análisis de la línea de tiempo de la actividad de CPU y GPU
- Identificación de cuellos de botella en la transferencia de memoria
- Perfilado del rendimiento y ocupación del núcleo
- Optimización iterativa con Nsight Compute
Características Modernas de C++ en Código CUDA del Dispositivo
- Lambdas, constexpr y auto en núcleos
- Algoritmos paralelos C++17 y políticas de ejecución
- Conceptos C++20 y rangos en el dispositivo
- Soporte de C++23 en nvcc y CCCL 3.x
Gráficos CUDA y Asincronía Avanzada
- Definición y lanzamiento de gráficos CUDA
- Captura de gráficos desde la ejecución de flujos
- Actualización de gráficos y nodos de ejecución condicional
- Reducción de la latencia del lanzamiento para cargas de trabajo iterativas
Patrones de Integración para Aplicaciones Existentes
- Envolver 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 del dispositivo con cuda-gdb
Resumen y Mejores Prácticas
- Elegir entre Thrust, CUB y núcleos personalizados
- Portabilidad de rendimiento entre arquitecturas GPU
- Organización del código y RAII para recursos CUDA
- Siguientes pasos y rutas de aprendizaje avanzadas de CUDA
Requerimientos
- Competencia básica en C++ incluyendo 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 programación CUDA o GPU
Público Objetivo
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en computación con GPUs
- Ingenieros de software que pasan de programación solo para 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
