Ocena:
Książka przedstawia szczegółową historię technologii CPU i GPU, ale nie dostarcza przydatnych informacji i praktycznych umiejętności związanych z obliczeniami i programowaniem na GPU. Brakuje jej ukierunkowania i nie obejmuje odpowiednio koncepcji programowania.
Zalety:Jasny i dobrze napisany kontekst historyczny CPU i GPU; zawiera praktyczne przykłady na końcu książki dotyczące korzystania z Pytorch i innych modułów.
Wady:⬤ Zbyt duży nacisk na fakty historyczne z niewielką ilością przydatnych informacji lub umiejętności programistycznych
⬤ pierwsze 30% książki jest niepotrzebne
⬤ brakuje dogłębnego omówienia CUDA i PyCUDA
⬤ nie nadaje się dla czytelników chcących poprawić swoje umiejętności programistyczne.
(na podstawie 1 opinii czytelników)
Hands-On GPU Computing with Python
Poznaj programowalne środowisko GPU do uczenia maszynowego, aplikacji naukowych i gier przy użyciu PuCUDA, PyOpenGL i Anaconda Accelerate Kluczowe cechy Poznaj skuteczne strategie synchronizacji w celu szybszego przetwarzania przy użyciu GPU Pisz skrypty przetwarzania równoległego za pomocą PyCuda i PyOpenCL Naucz się korzystać z bibliotek CUDA, takich jak CuDNN, do głębokiego uczenia na GPU Opis książki
Układy GPU okazują się być doskonałymi rozwiązaniami do obliczeń równoległych ogólnego przeznaczenia dla wysokowydajnych zadań, takich jak głębokie uczenie i obliczenia naukowe.
Niniejsza książka będzie przewodnikiem ułatwiającym rozpoczęcie pracy z obliczeniami na GPU. Rozpocznie się ona od wprowadzenia do obliczeń na GPU oraz wyjaśnienia architektury i modeli programowania dla procesorów graficznych. Dowiesz się, na przykładach, jak programować na GPU w Pythonie i przyjrzysz się wykorzystaniu integracji takich jak PyCUDA, PyOpenCL, CuPy i Numba z Anacondą do różnych zadań, takich jak uczenie maszynowe i eksploracja danych. Idąc dalej, zapoznasz się z przepływami pracy GPU, zarządzaniem i wdrażaniem przy użyciu nowoczesnych rozwiązań do konteneryzacji. Pod koniec książki zapoznasz się z zasadami obliczeń rozproszonych do trenowania modeli uczenia maszynowego oraz zwiększania wydajności i wydajności.
Pod koniec tej książki będziesz w stanie skonfigurować ekosystem GPU do uruchamiania złożonych aplikacji i modeli danych, które wymagają dużych możliwości przetwarzania, a także będziesz w stanie efektywnie zarządzać pamięcią w celu efektywnego i szybkiego obliczania aplikacji. Czego się nauczysz Wykorzystaj biblioteki i frameworki Pythona do akceleracji GPU Skonfiguruj programowalne środowisko uczenia maszynowego z obsługą GPU w swoim systemie za pomocą Anacondy Wdróż swój system uczenia maszynowego w kontenerach w chmurze na ilustrowanych przykładach Poznaj PyCUDA i PyOpenCL i porównaj je z platformami takimi jak CUDA, OpenCL i ROCm. Wykonuj zadania eksploracji danych za pomocą modeli uczenia maszynowego na procesorach graficznych Poszerz swoją wiedzę na temat obliczeń na GPU w zastosowaniach naukowych Dla kogo przeznaczona jest ta książka?
Naukowcy zajmujący się danymi, entuzjaści uczenia maszynowego i profesjonaliści, którzy chcą rozpocząć obliczenia na GPU i wykonywać złożone zadania z niskimi opóźnieniami. Zakłada się średniozaawansowaną znajomość programowania w języku Python. Spis treści Wprowadzenie do obliczeń na GPU Projektowanie strategii obliczeń na GPU Konfigurowanie platformy obliczeniowej GPU z NVIDIA i AMD Podstawy programowania na GPU Konfigurowanie środowiska do programowania na GPU Praca z PyCUDA Praca z PyOpenCL Praca z Anaconda i Anaconda Accelerate Konteneryzacja na platformach obsługujących GPU Uczenie maszynowe na GPU: Przypadki użycia Akceleracja GPU dla aplikacji naukowych przy użyciu Deepchem