Leserbewertungen
Zusammenfassung:Das Buch stellt eine detaillierte Geschichte der CPU- und GPU-Technologie vor, bietet aber nur unzureichend nützliche Informationen und praktische Fähigkeiten in Bezug auf GPU-Computing und Programmierung. Es ist nicht fokussiert und deckt Programmierkonzepte nicht angemessen ab.
Vorteile:Klarer und gut geschriebener historischer Kontext von CPU und GPU; enthält praktische Beispiele am Ende des Buches zur Verwendung von Pytorch und anderen Modulen.
Nachteile:⬤ Zu viel Fokus auf historische Fakten mit wenig nützlichen Informationen oder Programmierkenntnissen
⬤ die ersten 30% des Buches sind unnötig
⬤ es fehlt eine eingehende Abdeckung von CUDA und PyCUDA
⬤ nicht geeignet für Leser, die ihre Programmierkenntnisse verbessern wollen.
(basierend auf 1 Leserbewertungen)
Originaltitel:
Hands-On GPU Computing with Python
Inhalt des Buches:
Erforschen Sie eine GPU-fähige programmierbare Umgebung für maschinelles Lernen, wissenschaftliche Anwendungen und Spiele mit PuCUDA, PyOpenGL und Anaconda Accelerate Hauptmerkmale Verstehen Sie effektive Synchronisationsstrategien für eine schnellere Verarbeitung mit GPUs Schreiben Sie parallele Verarbeitungsskripte mit PyCuda und PyOpenCL Lernen Sie, die CUDA-Bibliotheken wie CuDNN für Deep Learning auf GPUs zu verwenden Buchbeschreibung
Grafikprozessoren erweisen sich als hervorragende parallele Allzweck-Rechenlösungen für Hochleistungsaufgaben wie Deep Learning und wissenschaftliches Rechnen.
Dieses Buch ist Ihr Leitfaden für den Einstieg in das GPU-Computing. Es beginnt mit einer Einführung in das GPU-Computing und erläutert die Architektur und die Programmiermodelle für GPUs. Sie werden anhand von Beispielen lernen, wie man GPU-Programmierung mit Python durchführt, und Sie werden die Verwendung von Integrationen wie PyCUDA, PyOpenCL, CuPy und Numba mit Anaconda für verschiedene Aufgaben wie maschinelles Lernen und Data Mining betrachten. Darüber hinaus werden Sie sich mit GPU-Arbeitsabläufen, Verwaltung und Bereitstellung unter Verwendung moderner Containerlösungen auseinandersetzen. Gegen Ende des Buches werden Sie mit den Prinzipien des verteilten Rechnens für das Training von Machine-Learning-Modellen und die Steigerung von Effizienz und Leistung vertraut gemacht.
Am Ende dieses Buches werden Sie in der Lage sein, ein GPU-Ökosystem für die Ausführung komplexer Anwendungen und Datenmodelle einzurichten, die eine hohe Verarbeitungsleistung erfordern, und den Speicher effizient zu verwalten, um Ihre Anwendung effektiv und schnell zu berechnen. Was Sie lernen werden Nutzen Sie Python-Bibliotheken und -Frameworks für die GPU-Beschleunigung Richten Sie mit Anaconda eine GPU-fähige programmierbare Umgebung für maschinelles Lernen auf Ihrem System ein Setzen Sie Ihr maschinelles Lernsystem auf Cloud-Containern mit illustrierten Beispielen ein Erkunden Sie PyCUDA und PyOpenCL und vergleichen Sie sie mit Plattformen wie CUDA, OpenCL und ROCm. Führen Sie Data-Mining-Aufgaben mit Machine-Learning-Modellen auf GPUs durch Erweitern Sie Ihr Wissen über GPU-Computing in wissenschaftlichen Anwendungen Für wen ist dieses Buch gedacht?
Data Scientist, Machine Learning-Enthusiasten und Fachleute, die mit GPU-Berechnungen beginnen und komplexe Aufgaben mit geringer Latenz durchführen möchten. Fortgeschrittene Kenntnisse in der Python-Programmierung werden vorausgesetzt. Inhaltsverzeichnis Einführung in das GPU-Computing Entwurf einer GPU-Computing-Strategie Einrichten einer GPU-Computing-Plattform mit NVIDIA und AMD Grundlagen der GPU-Programmierung Einrichten Ihrer Umgebung für die GPU-Programmierung Arbeiten mit PyCUDA Arbeiten mit PyOpenCL Arbeiten mit Anaconda und Anaconda Accelerate Containerization auf GPU-fähigen Plattformen Maschinelles Lernen auf GPUs: Anwendungsfälle GPU-Beschleunigung für wissenschaftliche Anwendungen mit Deepchem
Weitere Daten des Buches:
| ISBN: | 9781789341072 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
