Ocena:
Książka jest praktycznym przewodnikiem do nauki programowania na GPU w Pythonie i CUDA. Zawiera jasne wyjaśnienia, praktyczne przykłady i jest odpowiednia zarówno dla początkujących, jak i doświadczonych programistów. Choć jest ona wysoce zalecana ze względu na swoje praktyczne zastosowania, spotyka się z pewną krytyką za poleganie na Pythonie 2, który może wymagać konwersji dla użytkowników przechodzących na Pythona 3.
Zalety:Praktyczny dla nowych uczniów, jasne i dokładne wyjaśnienia, praktyczne przykłady, wykorzystuje PyCUDA dla ułatwienia dostępu, świetne źródło do poprawy wydajności, dogłębnie omawia aspekty teoretyczne, responsywne wsparcie autora dla aktualizacji.
Wady:Wykorzystuje Python 2, co może prowadzić do problemów z kompatybilnością z nowszymi środowiskami, użytkownicy mogą potrzebować przekonwertować kod na Python 3, opóźnienia w wydawaniu zaktualizowanych wydań.
(na podstawie 7 opinii czytelników)
Hands-On GPU Programming with Python and CUDA
Twórz wysokowydajne aplikacje akcelerowane przez GPU za pomocą Pythona 2. 7, CUDA 9 i bibliotek open source, takich jak PyCUDA i scikit-cuda. Zalecamy korzystanie z Pythona 2. 7, ponieważ ta wersja ma stabilne wsparcie dla wszystkich bibliotek używanych w tej książce. Kluczowe cechy Poznaj narzędzia programistyczne GPU, takie jak PyCUDA, scikit-cuda i Nsight Poznaj biblioteki CUDA, takie jak cuBLAS, cuFFT i cuSolver Zastosuj programowanie GPU w nowoczesnych aplikacjach data science Opis książki
Programowanie na GPU to technika odciążania intensywnych zadań działających na CPU w celu przyspieszenia obliczeń. Książka Hands-On GPU Programming with Python and CUDA pomoże ci odkryć sposoby tworzenia wydajnych aplikacji w Pythonie, łączących moc Pythona i CUDA.
Ta książka pomoże ci zacząć od podstaw - zaczniesz od nauczenia się stosowania prawa Amdahla, używania profilera kodu do identyfikowania wąskich gardeł w kodzie Pythona i konfigurowania środowiska programistycznego GPU. Następnie zobaczysz, jak wyszukiwać funkcje GPU i kopiować tablice danych do i z jego pamięci. W trakcie lektury książki będziesz uruchamiać swój kod bezpośrednio na GPU oraz pisać pełne jądra GPU i funkcje urządzeń w języku CUDA C. Zapoznasz się nawet z profilowaniem kodu GPU oraz w pełni przetestujesz i zdebugujesz swój kod przy użyciu Nsight IDE. Ponadto w książce omówiono kilka dobrze znanych bibliotek NVIDIA, takich jak cuFFT i cuBLAS.
Mając solidne podstawy, będziesz w stanie opracować od podstaw własną głęboką sieć neuronową opartą na GPU i zgłębić zaawansowane tematy, takie jak tasowanie osnowy, dynamiczna równoległość i asemblacja PTX. Na koniec poruszone zostaną tematy i aplikacje, takie jak sztuczna inteligencja, grafika i blockchain.
Pod koniec lektury tej książki będziesz już w stanie rozwiązywać problemy związane z nauką o danych i obliczeniami o wysokiej wydajności przy użyciu programowania na GPU. Czego się nauczysz Pisz efektywne i wydajne jądra GPU i funkcje urządzeń Pracuj z bibliotekami takimi jak cuFFT, cuBLAS i cuSolver Debuguj i profiluj swój kod za pomocą Nsight i Visual Profiler Zastosuj programowanie GPU do problemów związanych z nauką o danych Zbuduj od podstaw głęboką sieć neuronową opartą na GPU Poznaj zaawansowane funkcje sprzętowe GPU, takie jak warp shuffling Dla kogo jest ta książka?
Ta książka jest przeznaczona dla programistów i naukowców zajmujących się danymi, którzy chcą nauczyć się podstaw efektywnego programowania GPU w celu zwiększenia wydajności przy użyciu kodu Pythona. Pomocna będzie znajomość pojęć z zakresu matematyki i fizyki, a także pewne doświadczenie z Pythonem i dowolnym językiem programowania opartym na języku C. Spis treści Dlaczego warto programować na GPU? Konfiguracja środowiska programistycznego GPU Rozpoczęcie pracy z PyCUDA Jądra, wątki, bloki i siatki Strumienie, zdarzenia, konteksty i współbieżność Debugowanie i profilowanie kodu CUDA Korzystanie z bibliotek CUDA za pomocą Scikit-CUDA Draft complete Biblioteki funkcji urządzeń CUDA i Thrust Implementacja głębokiej sieci neuronowej Praca ze skompilowanym kodem GPU Optymalizacja wydajności w CUDA Dokąd zmierzamy?