دانلود کتاب Learn CUDA Programming: A beginner’s guide to GPU programming and parallel computing with CUDA 10.x and C/C++ (به فارسی: آموزش برنامه نویسی CUDA: راهنمای مبتدیان برای برنامه نویسی GPU و محاسبات موازی با CUDA 10.x و C/C++) نوشته شده توسط «Jaegeun Han – Bharatkumar Sharma»
اطلاعات کتاب آموزش برنامه نویسی CUDA: راهنمای مبتدیان برای برنامه نویسی GPU و محاسبات موازی با CUDA 10.x و C/C++
موضوع اصلی: کامپیوتر – برنامه نویسی
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Jaegeun Han – Bharatkumar Sharma
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 508 / 502
حجم فایل: 33.39 مگابایت
کد کتاب: 1788996240 , 9781788996242
توضیحات کتاب آموزش برنامه نویسی CUDA: راهنمای مبتدیان برای برنامه نویسی GPU و محاسبات موازی با CUDA 10.x و C/C++
کاوش روش‌های مختلف برنامه‌نویسی GPU با استفاده از کتابخانه‌ها و دستورالعمل‌ها، مانند OpenACC، با گسترش به زبان‌هایی مانند C، C++، و Python
ویژگی‌های کلیدی
- یادگیری موازی اصول و شیوه های برنامه نویسی و تجزیه و تحلیل عملکرد در محاسبات GPU
- با برنامه نویسی چند GPU توزیع شده و سایر رویکردهای برنامه نویسی GPU آشنا شوید
- درک کنید که چگونه شتاب GPU در مدل های یادگیری عمیق می تواند عملکرد آنها را بهبود بخشد.
توضیحات کتاب
معماری دستگاه یکپارچه محاسبه (CUDA) پلت فرم محاسباتی GPU و رابط برنامه نویسی برنامه کاربردی NVIDIA است. این برای کار با زبان های برنامه نویسی مانند C، C++ و Python طراحی شده است. با CUDA، می‌توانید از قدرت محاسباتی موازی یک GPU برای طیف وسیعی از برنامه‌های محاسباتی با کارایی بالا در زمینه‌های علم، مراقبت‌های بهداشتی و یادگیری عمیق استفاده کنید.
Learn CUDA Programming به شما کمک می کند برنامه نویسی موازی GPU را یاد بگیرید و کاربردهای مدرن آن را درک کنید. در این کتاب، رویکردهای برنامه نویسی CUDA برای معماری های مدرن GPU را کشف خواهید کرد. شما نه تنها از طریق ویژگی‌های GPU، ابزارها و APIها راهنمایی می‌شوید، بلکه یاد می‌گیرید که چگونه عملکرد را با نمونه الگوریتم‌های برنامه‌نویسی موازی تجزیه و تحلیل کنید. این کتاب به شما کمک می کند تا عملکرد برنامه های خود را با ارائه بینش هایی در مورد پلت فرم های برنامه نویسی CUDA با کتابخانه های مختلف، دستورالعمل های کامپایلر (OpenACC) و زبان های دیگر بهینه کنید. همانطور که پیشرفت می کنید، خواهید آموخت که چگونه می توان با استفاده از چندین GPU در یک جعبه یا در چندین جعبه، قدرت محاسباتی اضافی تولید کرد. در نهایت، چگونگی تسریع الگوریتم‌های یادگیری عمیق، از جمله شبکه‌های عصبی کانولوشنال (CNN) و شبکه‌های عصبی تکراری (RNN) را بررسی خواهید کرد.
در پایان این کتاب CUDA، به مهارت‌هایی که برای ادغام قدرت محاسبات GPU در برنامه‌های خود نیاز دارید، مجهز خواهید شد.
آنچه خواهید آموخت
- درک عملیات کلی GPU و الگوهای برنامه نویسی در CUDA
- تفاوت بین برنامه نویسی GPU و برنامه نویسی CPU را کشف کنید
- عملکرد برنامه GPU را تجزیه و تحلیل کنید و استراتژی های بهینه سازی را پیاده سازی کنید
- برنامه نویسی GPU را کاوش کنید ابزارهای نمایه سازی و اشکال زدایی
- درک الگوریتم های برنامه نویسی موازی و نحوه پیاده سازی آنها
- مقیاس سازی برنامه های شتاب دهنده GPU با چند GPU و چند گره
- Delve به پلتفرم‌های برنامه‌نویسی GPU با کتابخانه‌های شتاب‌دهنده، پایتون و OpenACC
- درباره شتاب‌دهنده‌های یادگیری عمیق در CNN و RNN با استفاده از پردازنده‌های گرافیکی اطلاعاتی کسب کنید
این کتاب برای چه کسی است
این مبتدی- کتاب سطح برای برنامه نویسانی است که می خواهند به محاسبات موازی بپردازند، بخشی از جامعه محاسباتی با کارایی بالا شوند و اپلیکیشن مدرن بسازند. یون ها تجربه برنامه نویسی پایه C و C++ در نظر گرفته شده است. برای علاقه مندان به یادگیری عمیق، این کتاب Python InterOps، کتابخانه های DL، و مثال های عملی در مورد تخمین عملکرد را پوشش می دهد.
فهرست محتوا
- مقدمه ای بر برنامه نویسی CUDA
- مدیریت حافظه CUDA
li>
- برنامه نویسی رشته CUDA: شاخص های عملکرد و استراتژی های بهینه سازی
- مدل اجرای هسته CUDA و استراتژی های بهینه سازی
- نظارت و اشکال زدایی برنامه CUDA
- چند مقیاس پذیر برنامه نویسی GPU
- الگوهای برنامه نویسی موازی در CUDA
- کتابخانه های شتاب دهنده GPU و زبان های برنامه نویسی محبوب
- برنامه نویسی GPU با استفاده از OpenACC
- شتاب یادگیری عمیق با CUDA
- ضمیمه
Explore different GPU programming methods using libraries and directives, such as OpenACC, with extension to languages such as C, C++, and Python
Key Features
- Learn parallel programming principles and practices and performance analysis in GPU computing
- Get to grips with distributed multi GPU programming and other approaches to GPU programming
- Understand how GPU acceleration in deep learning models can improve their performance
Book Description
Compute Unified Device Architecture (CUDA) is NVIDIA’s GPU computing platform and application programming interface. It’s designed to work with programming languages such as C, C++, and Python. With CUDA, you can leverage a GPU’s parallel computing power for a range of high-performance computing applications in the fields of science, healthcare, and deep learning.
Learn CUDA Programming will help you learn GPU parallel programming and understand its modern applications. In this book, you’ll discover CUDA programming approaches for modern GPU architectures. You’ll not only be guided through GPU features, tools, and APIs, you’ll also learn how to analyze performance with sample parallel programming algorithms. This book will help you optimize the performance of your apps by giving insights into CUDA programming platforms with various libraries, compiler directives (OpenACC), and other languages. As you progress, you’ll learn how additional computing power can be generated using multiple GPUs in a box or in multiple boxes. Finally, you’ll explore how CUDA accelerates deep learning algorithms, including convolutional neural networks (CNNs) and recurrent neural networks (RNNs).
By the end of this CUDA book, you’ll be equipped with the skills you need to integrate the power of GPU computing in your applications.
What you will learn
- Understand general GPU operations and programming patterns in CUDA
- Uncover the difference between GPU programming and CPU programming
- Analyze GPU application performance and implement optimization strategies
- Explore GPU programming, profiling, and debugging tools
- Grasp parallel programming algorithms and how to implement them
- Scale GPU-accelerated applications with multi-GPU and multi-nodes
- Delve into GPU programming platforms with accelerated libraries, Python, and OpenACC
- Gain insights into deep learning accelerators in CNNs and RNNs using GPUs
Who this book is for
This beginner-level book is for programmers who want to delve into parallel computing, become part of the high-performance computing community and build modern applications. Basic C and C++ programming experience is assumed. For deep learning enthusiasts, this book covers Python InterOps, DL libraries, and practical examples on performance estimation.
Table of Contents
- Introduction to CUDA programming
- CUDA Memory Management
- CUDA Thread Programming: Performance Indicators and Optimization Strategies
- CUDA Kernel Execution model and optimization strategies
- CUDA Application Monitoring and Debugging
- Scalable Multi-GPU programming
- Parallel Programming Patterns in CUDA
- GPU accelerated Libraries and popular programming languages
- GPU programming using OpenACC
- Deep Learning Acceleration with CUDA
- Appendix
