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 de dispositivo Thrust y políticas de ejecución.
- Primitivas de ancho de dispositivo CUB para pipelines personalizados.
Arquitectura y Gestión de Memoria GPU
- Tipos de memoria global, constante y de textura.
- Alocación explícita de memoria de dispositivo y transferencias.
- Memoria Unificada para simplificar el acceso a datos.
- Coalescencia de memoria y optimización de patrones de acceso.
Ejecución Asíncrona con Streams de CUDA
- Creación y gestión de streams de CUDA.
- Solapar la ejecución del kernel con transferencias de datos.
- Eventos de CUDA para la gestión de dependencias.
- Prioridades de streams y ajuste de concurrencia.
Escritura de Kernels CUDA Personalizados
- El modelo de programación SIMT y la ejecución de warps.
- Configuración del lanzamiento de kernels y bucles de paso de grilla (grid-stride loops).
- Indexación de hilos y grids multidimensionales.
- Manejo de errores y verificaciones de la API de tiempo de ejecución de CUDA.
Jerarquía de Hilos y Modelo de Ejecución
- Grillas, 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 ocupancia y utilización de recursos.
Grupos Cooperativos para Paralelismo Flexible
- La API cooperative_groups y los tipos de grupo.
- Tiles de bloques de hilos y tiled_partition.
- Lanzamientos cooperativos a nivel de grilla.
- Patrones de sincronización multi-grilla.
Técnicas de Optimización con Memoria Compartida
- Bancos de memoria compartida y evitación de conflictos de banco.
- Estrategias de teselado (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 del lanzamiento.
- Algoritmos de escaneo, reducción por clave y segmentados.
- Operaciones atómicas y estructuras de datos sin bloqueo (lock-free).
- Atómicos agregados por warp para mejorar el rendimiento (throughput).
Perfilado y Optimización con Nsight Systems
- Análisis de línea de tiempo de la actividad de CPU y GPU.
- Identificación de cuellos de botella en la transferencia de memoria.
- Perfilado del rendimiento y ocupancia del kernel.
- Optimización iterativa con Nsight Compute.
Características Modernas de C++ en Código de Dispositivo CUDA
- Lambdas, constexpr y auto en kernels.
- Algoritmos paralelos C++17 y políticas de ejecución.
- Conceptos y rangos C++20 en el dispositivo.
- Soporte para C++23 en nvcc y CCCL 3.x.
CUDA Graphs y Asincronía Avanzada
- Definición y lanzamiento de CUDA Graphs.
- Captura de gráficos a partir de la ejecución del stream.
- Actualización de gráficos y nodos de ejecución condicional.
- Reducción de la latencia de lanzamiento para cargas de trabajo iterativas.
- Acondicionar el código GPU detrás de interfaces C++.
- Gestión de sistemas multi-GPU y NUMA.
- Integración del sistema de construcción con CMake y CUDA.
- Depuración del código del dispositivo con cuda-gdb.
- Elegir entre Thrust, CUB y kernels personalizados.
- Portabilidad del rendimiento a través de arquitecturas GPU.
- Organización del código y RAII para recursos CUDA.
- Próximos pasos y rutas de aprendizaje avanzadas de CUDA.
Patrones de Integración para Aplicaciones Existentes
Resumen y Mejores Prácticas
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 CUDA o programación GPU.
Público Objetivo
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en cálculo con GPU.
- Ingenieros de software que transicionan 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
