Temario del curso
Introducción a la computación acelerada por 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 del dispositivo en Thrust y políticas de ejecución.
- Primitivas a nivel de dispositivo de CUB para pipelines personalizados.
Arquitectura y gestión de memoria GPU
- Tipos de memoria global, constante y de textura.
- Alocación explícita de memoria del dispositivo y transferencias.
- Memoria unificada para simplificar el acceso a datos.
- Coalescimiento de memoria y optimización de patrones de acceso.
Ejecución asíncrona con flujos de CUDA
- Creación y gestión de flujos de CUDA.
- Solapar la ejecución del kernel con transferencias de datos.
- Eventos de CUDA para la gestión de dependencias.
- Prioridades de flujo y ajuste de concurrencia.
Escritura de kernels CUDA personalizados
- El modelo de programación SIMT y la ejecución de warp.
- Configuración de lanzamiento del kernel y bucles de paso de cuadrícula (grid-stride).
- Indexación de hilos y cuadrículas multidimensionales.
- Manejo de errores y verificaciones de la API en tiempo de ejecución de CUDA.
Jerarquía de hilos y modelo de ejecución
- Cuadrículas, bloques y hilos en el código del dispositivo.
- Primitivas a nivel de warp y operaciones de votación (ballot).
- 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 grupo.
- Baldosas de bloque de hilos y tiled_partition.
- Lanzamientos cooperativos a nivel de cuadrícula.
- Patrones de sincronización multi-cuadrícula.
Técnicas de optimización con memoria compartida
- Bancos de memoria compartida y evitación de conflictos de banco.
- Estrategias de baldosas (tiling) para operaciones matriciales.
- Memoria compartida como caché gestionada por el usuario.
- cuda::shared_memory_mdspan para vistas multidimensionales.
Fusión de kernels y patrones paralelos avanzados
- Fusionar múltiples kernels para reducir la sobrecarga de lanzamiento.
- Escaneo, reducción por clave y algoritmos segmentados.
- Operaciones atómicas y estructuras de datos sin bloqueo.
- Atómicos agregados por warp para mejorar el rendimiento.
Perfilado y optimización con Nsight Systems
- Análisis de la línea de tiempo de actividad de CPU y GPU.
- Identificación de cuellos de botella en transferencias de memoria.
- Perfilado de rendimiento y ocupación del kernel.
- Optimización iterativa con Nsight Compute.
Características modernas de C++ en código de dispositivo CUDA
- Lambdas, constexpr y auto en kernels.
- Algoritmos paralelos de C++17 y políticas de ejecución.
- Conceptos de C++20 y vistas (ranges) en el dispositivo.
- Soporte para C++23 en nvcc y CCCL 3.x.
Grafos CUDA y asincronía avanzada
- Definición y lanzamiento de grafos CUDA.
- Captura de grafos a partir de la ejecución del flujo.
- Actualización de grafos y nodos de ejecución condicional.
- Reducción de la latencia de lanzamiento para cargas de trabajo iterativas.
Patrones de integración para aplicaciones existentes
- Encapsular 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 kernels personalizados.
- Portabilidad de rendimiento entre arquitecturas GPU.
- Organización del código y RAII para recursos CUDA.
- Siguientes pasos y rutas de aprendizaje avanzadas en CUDA.
Requerimientos
- Competencia básica en C++ que incluya 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 cómputo con GPUs.
- Ingenieros de software que transicionan de la programación exclusiva para CPU a la 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
