Description
Cette formation vous permettra d'apprendre à utiliser le SDK CUDA de NVIDIA, leader en matière d'utilisation de GPU, pour améliorer les performances de parallélisme de données. Vous apprendrez les connaissances nécessaires à la mise en œuvre de CUDA, ce qui vous permettra d'évaluer et de manipuler cette technologie.
À qui s'adresse cette formation ?
Pour qui ?
Concepteurs et développeurs d'applications en C/C++, architectes logiciels.
Prérequis
Bonnes connaissances du langage C/C++ et des threads, expérience requise. Connaissances de base du C++11.
Les objectifs de la formation
Programme de la formation
- Introduction
- Présentation de l'utilisation du GPU comparée au CPU.
- Le SDK CUDA de la société NVIDIA.
- Les alternatives et compléments à CUDA.
- Démonstration Présentation de l'application de test et évaluation des résultats sur le CPU.
- Installation de CUDA
- Installation du driver spécifique et du SDK de CUDA.
- Installation de NSIGHT, l'environnement spécifique de CUDA sous Visual Studio.
- Exploration des exemples d'application.
- Récupération des capacités des cartes graphiques installées.
- Travaux pratiques Installation de CUDA, création d'un projet et validation de l'installation.
- La mise en oeuvre de base
- Les fondamentaux de l'exécution d'une fonction kernel.
- La création d'une fonction kernel.
- L'appel d'une fonction kernel.
- Les transferts de mémoire entre le host et le GPU.
- L'exécution asynchrone d'une séquence de code GPU.
- Le débogage du code exécuté sur le GPU.
- Travaux pratiques Ajout d'une séquence de code à exécuter sur le GPU à l'application de test, comparaison des résultats avec l'existant en C++11.
- Utilisation du débogueur de NSIGHT.
- L'utilisation des différentes options de mémoire de CUDA
- La mémoire partagée à l'intérieur d'un bloc de threads, les différentes options.
- L'optimisation entre la mémoire consacrée aux données et la taille du code à exécuter.
- Les allocations mappées entre la mémoire du host et la mémoire de la carte graphique.
- L'utilisation de la mémoire portable entre le host et plusieurs cartes graphiques.
- Travaux pratiques Manipulation des différentes options dans l'application de test.
- Recherche de la meilleure solution selon un cas étudié.
- Les autres utilisations de CUDA
- L'utilisation des Streams, exécution en parallèle sur différentes cartes graphiques.
- L'utilisation de CUDA en C++ avec Thrust.
- Les alternatives ou compléments à CUDA comme le C++ AMP, OpenCL, OpenAPP.
- Etude de cas Exploration des solutions complémentaires et alternatives, comparaison à l'aide de l'application de test.
- Conclusion
- Le champ d'application de l'utilisation du GPU comme alternative au CPU.
- Les bonnes pratiques.
