Fundamentos del cómputo acelerado con CUDA C/C++

Cómputo en GPU y arquitectura CUDA

• Diferencias arquitectónicas entre CPU y GPU
• Modelo de multiprocesadores de secuencia de streaming (SM) de NVIDIA GPU
• Visión general del modelo de programación CUDA
• Cómputo heterogéneo y el paradigma host-dispositivo

Configuración del entorno de desarrollo CUDA

• Instalación del CUDA Toolkit 13.x
• Compilador NVCC y flujo de trabajo de construcción
• Verificación del entorno mediante consultas de dispositivo
• Integración con IDE y herramientas de desarrollo

Escritura y lanzamiento de kernels CUDA

• Sintaxis y calificadores de funciones kernel
• Configuración de lanzamiento y ejecución
• Suma de vectores y patrones básicos de paralelismo de datos
• Marcos de verificación de errores de CUDA

Jerarquía de hilos y modelo de ejecución de CUDA

• Organización de mallas, bloques y hilos
• Indexación de hilos y cálculo de identificadores globales
• Ejecución de warps y modelo SIMT
• Capacidad de ocupación y utilización de recursos

Arquitectura y gestión de memoria en GPU

• Tipos de memoria: global, compartida, constante, registros
• Asignación y liberación de memoria del dispositivo
• Transferencias host-dispositivo y dispositivo-host
• Memoria compartida para colaboración intra-bloque

Memoria unificada y migración de datos

• Modelo de memoria unificada y asignaciones gestionadas
• Migración de páginas y paginación bajo demanda
• Precarga asíncrona con cudaMemPrefetchAsync
• Sugerencias de comportamiento de memoria para patrones de acceso

Perfilado del sistema con Nsight Systems

• Análisis de la línea temporal en Nsight Systems
• Identificación de puntos de sincronización CPU-GPU
• Visualización de la ejecución de kernels y transferencias de memoria
• Interpretación de datos de rendimiento a nivel de sistema

Optimización de kernels con Nsight Compute

• Perfilado interactivo de kernels en Nsight Compute
• Análisis de flujo de datos y ancho de banda de memoria
• Estadísticas de utilización de cómputo y estado de warps
• Análisis guiado y reglas de optimización

Streams concurrentes y operaciones asíncronas

• Streams de CUDA y el stream predeterminado
• Superposición de ejecución de kernels con transferencias de datos
• Sincronización de streams y eventos de CUDA
• Patrones de diseño para pipelines multi-stream

Gestión de errores y herramientas de depuración

• Códigos de error de la API de CUDA y estrategias de recuperación
• Compute-sanitizer para verificación de accesos a memoria
• cuda-gdb para depuración de kernels
• Aserciones y detección síncrona de errores

Flujo de trabajo de optimización basado en perfilado

• Metodología iterativa de perfilado
• Identificación y priorización de cuellos de botella
• Pruebas de regresión de rendimiento
• Documentación de decisiones de optimización

Proyecto de aplicación acelerada de extremo a extremo

• Diseño de una solución completa acelerada por GPU
• Integración del perfilado durante todo el desarrollo
• Evaluación y reporte de rendimiento
• Consideraciones de despliegue para producción