Programování na GPU – OpenCL, CUDA a ROCm Počítačový Kurz

Úvod

• Co je to programování na GPU?
• Proč využívat programování na GPU?
• Jaké jsou výzvy a kompromisy spojené s tímto typem programování?
• Které frameworky lze využít k programování na GPU?
• Jak vybrat vhodný framework podle konkrétních potřeb aplikace

OpenCL

• Co je to OpenCL?
• Jaké jsou přednosti a nedostatky této technologie?
• Nastavení vývojového prostředí pro OpenCL
• Vytvoření jednoduchého programu v OpenCL určeného k součítání vektorů
• Použití API OpenCL k zjišťování informací o zařízení, alokaci a uvolňování paměti na GPU, přenosu dat mezi počítačem a procesorem, spouštění výpočtů i synchronizaci vláken
• Psaní jáder určených k provádění na GPU s využitím jazyka OpenCL C
• Využití vestavěných funkcí, proměnných a knihoven k vykonávání běžných operací
• Volba vhodných typů paměti – globální, lokální, konstantní či soukromé – za účelem optimalizace přenosu a přístupu k datům
• Řízení struktury paralelních výpočtů pomocí modelů pracovních položek, skupin a rozsahů definovaných v OpenCL
• Odstraňování chyb a testování programů pomocí nástrojů jako CodeXL
• Optimalizace výkonu programů prostřednictvím shlukování operací, využití mezipaměti, předběžného načítání a profilování

CUDA

• Co je to CUDA?
• Jaké jsou výhody a nevýhody této technologie?
• Nastavení vývojového prostředí pro CUDA
• Vytvoření jednoduchého programu v CUDA určeného k součítání vektorů
• Použití API CUDA k zjišťování informací o zařízení, alokaci a uvolňování paměti na GPU, přenosu dat mezi počítačem a procesorem, spouštění výpočtů i synchronizaci vláken
• Psaní jáder pro GPU s využitím jazyka CUDA C/C++
• Využití vestavěných funkcí, proměnných a knihovny k vykonávání běžných operací
• Volba vhodných typů paměti – globální, sdílená, konstantní či lokální – za účelem optimalizace přenosu a přístupu k datům
• Řízení struktury paralelních výpočtů pomocí modelů vláken, bloků a mřížek definovaných v CUDA
• Odstraňování chyb a testování programů s použitím nástrojů jako CUDA-GDB, CUDA-MEMCHECK a NVIDIA Nsight
• Optimalizace výkonu programů prostřednictvím shlukování operací, využití mezipaměti, předběžného načítání a profilování

ROCm

• Co je to ROCm?
• Jaké jsou výhody a nevýhody této technologie?
• Nastavení vývojového prostředí pro ROCm
• Vytvoření jednoduchého programu v ROCm určeného k součítání vektorů
• Použití API ROCm k zjišťování informací o zařízení, alokaci a uvolňování paměti na GPU, přenosu dat mezi počítačem a procesorem, spouštění výpočtů i synchronizaci vláken
• Psaní jáder pro GPU s využitím jazyka ROCm C/C++
• Využití vestavěných funkcí, proměnných a knihovny k vykonávání běžných operací
• Volba vhodných typů paměti – globální, lokální, konstantní či soukromé – za účelem optimalizace přenosu a přístupu k datům
• Řízení struktury paralelních výpočtů pomocí modelů vláken, bloků a mřížek definovaných v ROCm
• Odstraňování chyb a testování programů s použitím nástrojů jako ROCm Debugger a ROCm Profiler
• Optimalizace výkonu programů prostřednictvím shlukování operací, využití mezipaměti, předběžného načítání a profilování

Srovnávací analýza

• Porovnání funkčnosti, výkonnosti a kompatibility technologií OpenCL, CUDA a ROCm
• Hodnocení programů na GPU s využitím benchmarků a měřitelných ukazatelů
• Základní postupy a tipy pro efektivní programování na GPU
• Pohled na aktuální i budoucí trendy a výzvy v oblasti vývoje pro GPU

Závěr a další kroky