Programmazione pratica su GPU con Python e CUDA

Recensioni dei lettori

Il libro è una guida pratica per imparare la programmazione su GPU con Python e CUDA. Fornisce spiegazioni chiare, esempi pratici ed è adatto sia ai principianti che ai programmatori esperti. Sebbene sia altamente raccomandato per le sue applicazioni pratiche, è criticato per la sua dipendenza da Python 2, che potrebbe richiedere una conversione per gli utenti che passano a Python 3.

Pratico per i nuovi studenti, spiegazioni chiare e approfondite, esempi pratici, sfrutta PyCUDA per l'accessibilità, grande risorsa per migliorare le prestazioni, copre gli aspetti teorici in modo approfondito, supporto dell'autore reattivo per gli aggiornamenti.

Utilizza Python 2, il che può comportare problemi di compatibilità con gli ambienti più recenti, gli utenti potrebbero dover convertire il codice in Python 3, ritardi nel rilascio di edizioni aggiornate.

(basato su 7 recensioni dei lettori)

Titolo originale:

Hands-On GPU Programming with Python and CUDA

Contenuto del libro:

Creare applicazioni accelerate da GPU ad alte prestazioni con Python 2.7, CUDA 9 e librerie open source come PyCUDA e scikit-cuda. 7, CUDA 9 e librerie open source come PyCUDA e scikit-cuda. Si consiglia l'uso di Python 2. 7, in quanto questa versione offre un supporto stabile per tutte le librerie utilizzate in questo libro. Caratteristiche principali Conoscere gli strumenti di programmazione per GPU come PyCUDA, scikit-cuda e Nsight Esplorare le librerie CUDA come cuBLAS, cuFFT e cuSolver Applicare la programmazione per GPU alle moderne applicazioni di scienza dei dati Descrizione del libro

La programmazione su GPU è una tecnica che consente di scaricare i compiti intensivi eseguiti dalla CPU per velocizzare l'elaborazione. Hands-On GPU Programming with Python and CUDA vi aiuterà a scoprire come sviluppare applicazioni Python ad alte prestazioni combinando la potenza di Python e CUDA.

Questo libro vi aiuterà a partire da zero: inizierete imparando ad applicare la legge di Amdahl, a usare un profiler di codice per identificare i colli di bottiglia nel vostro codice Python e a configurare un ambiente di programmazione per GPU. Vedrete poi come interrogare le caratteristiche di una GPU e copiare array di dati da e verso la sua memoria. Man mano che si procede nel libro, si esegue il codice direttamente sulla GPU e si scrivono kernel GPU completi e funzioni di dispositivo in CUDA C. Si arriva anche alla profilazione del codice GPU e si esegue il test completo e il debug del codice utilizzando Nsight IDE. Inoltre, il libro copre alcune note librerie NVIDIA come cuFFT e cuBLAS.

Con un solido background, sarete in grado di sviluppare da zero la vostra rete neurale profonda basata su GPU e di esplorare argomenti avanzati come il warp shuffling, il parallelismo dinamico e l'assemblaggio PTX. Infine, verranno affrontati argomenti e applicazioni come l'intelligenza artificiale, la grafica e la blockchain.

Alla fine di questo libro, sarete in grado di risolvere con sicurezza i problemi legati alla scienza dei dati e al calcolo ad alte prestazioni con la programmazione su GPU. Cosa imparerete Scrivete kernel e funzioni di dispositivo per GPU efficaci ed efficienti Lavorate con librerie come cuFFT, cuBLAS e cuSolver Eseguite il debug e la profilazione del vostro codice con Nsight e Visual Profiler Applicate la programmazione su GPU ai problemi di scienza dei dati Costruite una rete neurale profonda basata su GPU partendo da zero Esplorate le caratteristiche hardware avanzate delle GPU come il warp shuffling A chi è rivolto questo libro

Questo libro si rivolge agli sviluppatori e ai data scientist che desiderano apprendere le basi della programmazione efficace su GPU per migliorare le prestazioni utilizzando il codice Python. La familiarità con i concetti di matematica e fisica e una certa esperienza con Python e qualsiasi linguaggio di programmazione basato su C saranno utili. Indice Perché programmare su GPU? Impostazione dell'ambiente di programmazione su GPU Iniziare con PyCUDA Kernel, thread, blocchi e griglie Stream, eventi, contesti e concorrenza Debug e profilazione del codice CUDA Utilizzo delle librerie CUDA con Scikit-CUDA Bozza completa Le librerie di funzioni di dispositivo CUDA e Thrust Implementazione di una rete neurale profonda Lavorare con il codice GPU compilato Ottimizzazione delle prestazioni in CUDA Dove andare da qui