Bewertung:
Das Buch ist ein praktischer Leitfaden für das Erlernen der GPU-Programmierung mit Python und CUDA. Es bietet klare Erklärungen und praktische Beispiele und ist sowohl für Anfänger als auch für erfahrene Programmierer geeignet. Obwohl es wegen seiner praktischen Anwendungen sehr zu empfehlen ist, wird es kritisiert, weil es auf Python 2 basiert, was für Benutzer, die auf Python 3 umsteigen, eine Umstellung erforderlich machen kann.
Vorteile:Praktisch für Neueinsteiger, klare und gründliche Erklärungen, praktische Beispiele, nutzt PyCUDA für die Zugänglichkeit, großartige Ressource für die Verbesserung der Leistung, deckt theoretische Aspekte in der Tiefe, reaktionsschnelle Autorenunterstützung für Updates.
Nachteile:Verwendet Python 2, was zu Kompatibilitätsproblemen mit neueren Umgebungen führen kann, Benutzer müssen möglicherweise Code in Python 3 konvertieren, Verzögerungen bei der Veröffentlichung von aktualisierten Ausgaben.
(basierend auf 7 Leserbewertungen)
Hands-On GPU Programming with Python and CUDA
Erstellen Sie GPU-beschleunigte, leistungsstarke Anwendungen mit Python 2. 7, CUDA 9, und Open-Source-Bibliotheken wie PyCUDA und scikit-cuda. Wir empfehlen die Verwendung von Python 2. 7, da diese Version stabile Unterstützung für alle in diesem Buch verwendeten Bibliotheken bietet. Hauptmerkmale Machen Sie sich mit GPU-Programmierwerkzeugen wie PyCUDA, scikit-cuda und Nsight vertraut Lernen Sie CUDA-Bibliotheken wie cuBLAS, cuFFT und cuSolver kennen Wenden Sie GPU-Programmierung auf moderne Data-Science-Anwendungen an Buchbeschreibung
Bei der GPU-Programmierung werden intensive Aufgaben, die auf der CPU laufen, ausgelagert, um die Rechenleistung zu erhöhen. Hands-On GPU Programming with Python and CUDA zeigt Ihnen Wege auf, wie Sie leistungsstarke Python-Anwendungen entwickeln können, die die Leistungsfähigkeit von Python und CUDA kombinieren.
In diesem Buch lernen Sie, wie Sie das Amdahlsche Gesetz anwenden, einen Code-Profiler verwenden, um Engpässe in Ihrem Python-Code zu identifizieren, und eine GPU-Programmierumgebung einrichten. Anschließend erfahren Sie, wie Sie die Funktionen eines Grafikprozessors abfragen und Datenarrays in den und aus dem Speicher kopieren können. Auf Ihrem Weg durch das Buch werden Sie Ihren Code direkt auf der GPU ausführen und vollständige GPU-Kernel und Gerätefunktionen in CUDA C schreiben. Sie werden sich sogar mit der Profilerstellung von GPU-Code vertraut machen und Ihren Code mithilfe der Nsight IDE vollständig testen und debuggen. Außerdem behandelt das Buch einige bekannte NVIDIA-Bibliotheken wie cuFFT und cuBLAS.
Mit einem soliden Hintergrundwissen werden Sie in der Lage sein, Ihr eigenes GPU-basiertes tiefes neuronales Netzwerk von Grund auf zu entwickeln und fortgeschrittene Themen wie Warp Shuffling, dynamische Parallelität und PTX-Assembly zu erforschen. Abschließend werden Sie sich mit Themen und Anwendungen wie KI, Grafik und Blockchain befassen.
Am Ende dieses Buches werden Sie in der Lage sein, Probleme im Zusammenhang mit Data Science und High-Performance Computing mit GPU-Programmierung zu lösen. Was Sie lernen werden Schreiben Sie effektive und effiziente GPU-Kernel und Gerätefunktionen Arbeiten Sie mit Bibliotheken wie cuFFT, cuBLAS und cuSolver Debuggen und profilieren Sie Ihren Code mit Nsight und Visual Profiler Wenden Sie die GPU-Programmierung auf datenwissenschaftliche Probleme an Bauen Sie ein GPU-basiertes tiefes neuronales Netzwerk von Grund auf Erforschen Sie fortgeschrittene GPU-Hardware-Funktionen wie Warp Shuffling Für wen dieses Buch ist
Dieses Buch richtet sich an Entwickler und Datenwissenschaftler, die die Grundlagen der effektiven GPU-Programmierung zur Leistungssteigerung mit Python-Code erlernen möchten. Vertrautheit mit mathematischen und physikalischen Konzepten sowie etwas Erfahrung mit Python und einer C-basierten Programmiersprache sind hilfreich. Inhaltsverzeichnis Warum GPU-Programmierung? Einrichten Ihrer GPU-Programmierumgebung Erste Schritte mit PyCUDA Kernel, Threads, Blöcke und Grids Streams, Ereignisse, Kontexte und Gleichzeitigkeit Debugging und Profiling Ihres CUDA-Codes Verwendung der CUDA-Bibliotheken mit Scikit-CUDA Draft complete Die CUDA-Gerätefunktionsbibliotheken und Thrust Implementierung eines tiefen neuronalen Netzes Arbeiten mit kompiliertem GPU-Code Leistungsoptimierung in CUDA Wohin geht es von hier
| ISBN: | 9781788993913 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
