Temario del curso
Introducción a la Computación Acelerada por GPU
- Computación heterogénea y la arquitectura CPU-GPU
- Espacios de ejecución y memoria de CUDA
- Compilación de C++ con CUDA mediante 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 de dispositivo de Thrust y políticas de ejecución
- Primitivas a nivel de dispositivo CUB para pipelines personalizados
Arquitectura y Gestión de la Memoria GPU
- Tipos de memoria global, constante y textura
- Alocación explícita y transferencias de memoria del dispositivo
- Memoria Unificada para simplificar el acceso a datos
- Coalescencia de memoria y optimización de patrones de acceso
Ejecución Asíncrona con Flujos CUDA
- Creación y gestión de flujos CUDA
- Solapamiento de la ejecución de núcleos con transferencias de datos
- Eventos CUDA para la gestión de dependencias
- Prioridades de flujo y ajuste de concurrencia
Escritura de Núcleos (Kernels) CUDA Personalizados
- El modelo de programación SIMT y la ejecución por warps
- Configuración del lanzamiento de núcleos y bucles de paso de rejilla (grid-stride)
- Indexación de hilos y rejillas multidimensionales
- Gestión de errores y verificaciones de la API en tiempo de ejecución de CUDA
Jerarquía de Hilos y Modelo de Ejecución
e- Rejillas (grids), bloques e 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 los tipos de grupos
- Mosaicos (tiles) de bloques de hilos y tiled_partition
- Lanzamientos cooperativos a nivel de rejilla
- Patrones de sincronización multi-rejilla
Técnicas de Optimización de Memoria Compartida
- Bancos de memoria compartida y evitación de conflictos de banco
- Estrategias de mosaico (tiling) para operaciones de matrices
- Memoria compartida como caché gestionada por el usuario
- cuda::shared_memory_mdspan para vistas multidimensionales
Fusión de Núcleos y Patrones Avanzados de Paralelismo
- Fusión de múltiples núcleos para reducir la sobrecarga del lanzamiento
- Algoritmos de escaneo, reducción por clave y segmentados
- Operaciones atómicas y estructuras de datos sin bloqueo
- Atómicos agregados por warp para mejorar el rendimiento
Perfilado y Optimización con Nsight Systems
- Análisis cronológico de la actividad de CPU y GPU
- Identificación de cuellos de botella en la transferencia de memoria
- Perfilado del rendimiento de núcleos y ocupación
- Optimización iterativa con Nsight Compute
Características Modernas de C++ en Código de Dispositivo CUDA
- Lambdas, constexpr y auto en núcleos
- Algoritmos paralelos C++17 y políticas de ejecución
- Conceptos y rangos C++20 en el dispositivo
- Soporte 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 de flujos
- Actualización de grafos y nodos de ejecución condicional
- Reducción de latencia de lanzamiento para cargas de trabajo iterativas
Patrones de Integración para Aplicaciones Existentes
- Acondicionamiento del código GPU detrás de interfaces C++
- Gestión de sistemas multi-GPU y NUMA
- Integración con el sistema de compilación mediante CMake y CUDA
- Depuración del código del dispositivo con cuda-gdb
Resumen y Mejores Prácticas
- Elegir entre Thrust, CUB y núcleos personalizados
- Portabilidad del rendimiento a través de arquitecturas GPU
- Organización del código y RAII para recursos CUDA
- Siguientes pasos y rutas de aprendizaje avanzadas en CUDA
Requerimientos
- Competencia básica en C++, incluyendo expresiones lambda, plantillas y la STL
- Conocimiento de algoritmos estándar, contenedores e iteradores
- Comodidad con bucles, condicionales y funciones
- No se requiere conocimiento previo de CUDA ni programación GPU
Público Objetivo
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en cómputo mediante GPU
- Ingenieros de software que transitan de la programación solo en 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
