Calcolo pratico su GPU con Python

Recensioni dei lettori

Il libro presenta una storia dettagliata della tecnologia delle CPU e delle GPU, ma non riesce a fornire informazioni utili e competenze pratiche relative al GPU Computing e alla programmazione. Manca di attenzione e non copre adeguatamente i concetti di programmazione.

Contesto storico chiaro e ben scritto di CPU e GPU; include esempi pratici alla fine del libro per l'utilizzo di Pytorch e altri moduli.

⬤ Troppo incentrato su fatti storici con poche informazioni utili o abilità di programmazione
⬤ il primo 30% del libro è inutile
⬤ manca una copertura approfondita di CUDA e PyCUDA
⬤ non è adatto ai lettori che cercano di migliorare le proprie abilità di programmazione.

(basato su 1 recensioni dei lettori)

Titolo originale:

Hands-On GPU Computing with Python

Contenuto del libro:

Esplorate l'ambiente programmabile su GPU per l'apprendimento automatico, le applicazioni scientifiche e i giochi utilizzando PuCUDA, PyOpenGL e Anaconda Accelerate Caratteristiche principali Comprendete le strategie di sincronizzazione efficaci per un'elaborazione più rapida utilizzando le GPU Scrivete script di elaborazione in parallelo con PyCuda e PyOpenCL Imparate a utilizzare le librerie CUDA come CuDNN per l'apprendimento profondo su GPU Descrizione del libro

Le GPU si stanno dimostrando eccellenti soluzioni di elaborazione parallela per scopi generali per compiti ad alte prestazioni come l'apprendimento profondo e l'elaborazione scientifica.

Questo libro sarà la vostra guida per iniziare a lavorare con il GPU Computing. Inizia con l'introduzione al GPU Computing e spiega l'architettura e i modelli di programmazione delle GPU. Imparerete, con esempi, come eseguire la programmazione su GPU con Python e vedrete l'uso di integrazioni come PyCUDA, PyOpenCL, CuPy e Numba con Anaconda per vari compiti come l'apprendimento automatico e il data mining. Inoltre, si affronteranno i flussi di lavoro, la gestione e la distribuzione delle GPU utilizzando le moderne soluzioni di containerizzazione. Verso la fine del libro, si acquisirà familiarità con i principi del calcolo distribuito per l'addestramento di modelli di apprendimento automatico e per migliorare l'efficienza e le prestazioni.

Alla fine di questo libro, sarete in grado di configurare un ecosistema di GPU per l'esecuzione di applicazioni e modelli di dati complessi che richiedono grandi capacità di elaborazione e di gestire in modo efficiente la memoria per calcolare le vostre applicazioni in modo efficace e rapido. Cosa imparerete Utilizzate le librerie e i framework Python per l'accelerazione via GPU Configurate un ambiente di machine learning programmabile via GPU sul vostro sistema con Anaconda Distribuite il vostro sistema di machine learning su container cloud con esempi illustrati Esplorate PyCUDA e PyOpenCL e confrontateli con piattaforme come CUDA, OpenCL e ROCm. Eseguire attività di data mining con modelli di apprendimento automatico su GPU Estendere la conoscenza del GPU Computing nelle applicazioni scientifiche A chi è rivolto questo libro

Scienziati dei dati, appassionati di Machine Learning e professionisti che vogliono iniziare a lavorare con il calcolo su GPU ed eseguire compiti complessi a bassa latenza. Si presuppone una conoscenza intermedia della programmazione Python. Indice Introduzione al GPU Computing Progettazione di una strategia di GPU Computing Impostazione di una piattaforma di GPU Computing con NVIDIA e AMD Fondamenti della programmazione su GPU Impostazione dell'ambiente per la programmazione su GPU Lavorare con PyCUDA Lavorare con PyOpenCL Lavorare con Anaconda e Anaconda Accelerate Containerization su piattaforme abilitate alle GPU Machine Learning su GPU: Casi d'uso Accelerazione GPU per applicazioni scientifiche con Deepchem