Avis des lecteurs
Résumé:Ce livre est un guide pratique pour apprendre la programmation GPU avec Python et CUDA. Il fournit des explications claires, des exemples pratiques et convient aussi bien aux débutants qu'aux programmeurs expérimentés. Bien qu'il soit fortement recommandé pour ses applications pratiques, il est critiqué pour sa dépendance à Python 2, qui peut nécessiter une conversion pour les utilisateurs qui passent à Python 3.
Avantages:Pratique pour les nouveaux apprenants, explications claires et approfondies, exemples pratiques, tire parti de PyCUDA pour l'accessibilité, excellente ressource pour améliorer les performances, couvre les aspects théoriques en profondeur, support de l'auteur réactif pour les mises à jour.
Inconvénients:Utilise Python 2, ce qui peut entraîner des problèmes de compatibilité avec les environnements plus récents, les utilisateurs peuvent avoir besoin de convertir le code à Python 3, retards dans la publication des éditions mises à jour.
(basé sur 7 avis de lecteurs)
Titre original :
Hands-On GPU Programming with Python and CUDA
Contenu du livre :
Créez des applications performantes accélérées par le GPU avec Python 2. 7, CUDA 9 et des bibliothèques open source telles que PyCUDA et scikit-cuda. Nous recommandons l'utilisation de Python 2. 7, car cette version offre une prise en charge stable de toutes les bibliothèques utilisées dans ce livre. Principales caractéristiques Se familiariser avec les outils de programmation GPU tels que PyCUDA, scikit-cuda et Nsight Explorer les bibliothèques CUDA telles que cuBLAS, cuFFT et cuSolver Appliquer la programmation GPU aux applications modernes de science des données Description du livre
La programmation GPU est une technique qui consiste à décharger les tâches intensives exécutées sur le processeur afin d'accélérer les calculs. Hands-On GPU Programming with Python and CUDA vous aidera à découvrir comment développer des applications Python performantes en combinant la puissance de Python et de CUDA.
Ce livre vous aidera à démarrer : vous commencerez par apprendre à appliquer la loi d'Amdahl, à utiliser un profileur de code pour identifier les goulets d'étranglement dans votre code Python et à configurer un environnement de programmation GPU. Vous verrez ensuite comment interroger les caractéristiques d'un GPU et copier des tableaux de données depuis et vers sa mémoire. Au fil du livre, vous exécuterez votre code directement sur le GPU et écrirez des noyaux GPU complets et des fonctions de périphérique en CUDA C. Vous vous familiariserez même avec le profilage du code GPU et testerez et déboguerez entièrement votre code à l'aide de l'EDI Nsight. De plus, le livre couvre certaines bibliothèques NVIDIA bien connues telles que cuFFT et cuBLAS.
Avec un solide bagage en place, vous serez en mesure de développer votre propre réseau neuronal profond basé sur le GPU à partir de zéro, et d'explorer des sujets avancés tels que le warp shuffling, le parallélisme dynamique et l'assemblage PTX. Enfin, vous aborderez des sujets et des applications tels que l'IA, le graphisme et la blockchain.
A la fin de ce livre, vous serez en mesure de résoudre les problèmes liés à la science des données et au calcul haute performance avec la programmation GPU. Ce que vous apprendrez Écrire des noyaux GPU et des fonctions de périphériques efficaces et efficients Travailler avec des bibliothèques telles que cuFFT, cuBLAS et cuSolver Déboguer et profiler votre code avec Nsight et Visual Profiler Appliquer la programmation GPU aux problèmes de science des données Construire un réseau neuronal profond basé sur le GPU à partir de zéro Explorer les fonctionnalités avancées du matériel GPU telles que le warp shuffling À qui ce livre s'adresse-t-il ?
Ce livre s'adresse aux développeurs et aux data scientists qui souhaitent apprendre les bases d'une programmation GPU efficace afin d'améliorer les performances en utilisant du code Python. Une bonne connaissance des concepts mathématiques et physiques ainsi qu'une certaine expérience de Python et de tout langage de programmation basé sur le langage C seront utiles. Table des matières Pourquoi la programmation GPU ? Configuration de votre environnement de programmation GPU Prise en main de PyCUDA Noyaux, threads, blocs et grilles Flux, événements, contextes et concomitance Débogage et profilage de votre code CUDA Utilisation des bibliothèques CUDA avec Scikit-CUDA Draft complete Bibliothèques de fonctions de périphériques CUDA et Thrust Implémentation d'un réseau neuronal profond Travail avec du code GPU compilé Optimisation des performances dans CUDA Que faire maintenant ?
Autres informations sur le livre :
| ISBN : | 9781788993913 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
