Temario del curso
Introducción a la Computación Acelerada con 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.
- Reingeniería de algoritmos STL para ejecución en GPU.
- Vectores de dispositivo Thrust y políticas de ejecución.
- Primitivas a nivel de dispositivo CUB para tuberías personalizadas.
Arquitectura y Gestión de Memoria GPU
- Tipos de memoria global, constante y de textura.
- Asignación 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 Flujos CUDA
- Creación y gestión de flujos CUDA.
- Superposición de ejecución de kernel con transferencias de datos.
- Eventos 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 warps.
- Configuración de lanzamiento de kernel y bucles de paso de rejilla (grid-stride).
- Indexación de hilos y rejillas multidimensionales.
- Gestión de errores y comprobaciones de la API en tiempo de ejecución de CUDA.
Jerarquía de Hilos y Modelo de Ejecución
- Rejillas (grids), bloques y hilos en código de 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 grupos.
- Mosaicos (tiles) de bloque 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 evitar conflictos de bancos.
- Estrategias de mosaico (tiling) para operaciones matriciales.
- Memoria compartida como caché administrado por el usuario.
- cuda::shared_memory_mdspan para vistas multidimensionales.
Fusión de Kernels y Patrones Avanzados de Paralelismo
- Fusionar múltiples kernels para reducir la sobrecarga de lanzamiento.
- Algoritmos de escaneo, reducción por clave y segmentada.
- Operaciones atómicas y estructuras de datos sin bloqueo.
- Atómicos agregados por warp para mejorar el rendimiento (throughput).
Perfilado y Optimización con Nsight Systems
- Análisis cronológico de la 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 C++17 y políticas de ejecución.
- Conceptos y rangos C++20 en el dispositivo.
- Soporte C++23 en nvcc y CCCL 3.x.
Gráficos CUDA (CUDA Graphs) y Asincronía Avanzada
- Definición y lanzamiento de gráficos CUDA.
- Captura de gráficos desde la ejecución de flujos.
- Actualización de gráficos y nodos de ejecución condicional.
- Reducción de latencia de lanzamiento para cargas de trabajo iterativas.
Patrones de Integración para Aplicaciones Existentes
- Acondicionar 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 de dispositivo con cuda-gdb.
Resumen y Mejores Prácticas
- Elegir entre Thrust, CUB y kernels personalizados.
- Portabilidad del rendimiento a través de arquitecturas GPU.
- Organización del código y RAII para recursos CUDA.
- Siguientes pasos y rutas de aprendizaje avanzadas de 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 CUDA o programación GPU.
Audiencia
- Desarrolladores de C++ que buscan acelerar aplicaciones intensivas en cómputo con GPU.
- Ingenieros de software que transicionan de programación solo CPU a 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
