Curso de Introdução à Programação de GPU

Introdução

• O que é a programação de GPU?
• Por que utilizar a programação de GPU?
• Quais são os desafios e compensações (trade-offs) da programação de GPU?
• Quais são os frameworks e ferramentas para a programação de GPU?
• Escolhendo o framework e a ferramenta adequados para a sua aplicação

OpenCL

• O que é o OpenCL?
• Quais são as vantagens e desvantagens do OpenCL?
• Configuração do ambiente de desenvolvimento para OpenCL
• Criação de um programa OpenCL básico que realize a adição de vetores
• Utilização da API OpenCL para consultar informações do dispositivo, alocar e desalocar memória de dispositivo, copiar dados entre o anfitrião (host) e o dispositivo, iniciar kernels e sincronizar threads
• Utilização da linguagem OpenCL C para escrever kernels que são executados no dispositivo e manipulam dados
• Utilização de funções, variáveis e bibliotecas incorporadas do OpenCL para executar tarefas e operações comuns
• Utilização dos espaços de memória do OpenCL, como global, local, constante e privado, para otimizar as transferências de dados e os acessos à memória
• Utilização do modelo de execução do OpenCL para controlar work-items, work-groups e ND-ranges que definem o paralelismo
• Depuração e teste de programas OpenCL utilizando ferramentas como CodeXL
• Otimização de programas OpenCL utilizando técnicas como coalescing, cache, prefetching e profiling

CUDA

• O que é o CUDA?
• Quais são as vantagens e desvantagens do CUDA?
• Configuração do ambiente de desenvolvimento para CUDA
• Criação de um programa CUDA básico que realize a adição de vetores
• Utilização da API CUDA para consultar informações do dispositivo, alocar e desalocar memória de dispositivo, copiar dados entre o anfitrião (host) e o dispositivo, iniciar kernels e sincronizar threads
• Utilização da linguagem CUDA C/C++ para escrever kernels que são executados no dispositivo e manipulam dados
• Utilização de funções, variáveis e bibliotecas incorporadas do CUDA para executar tarefas e operações comuns
• Utilização dos espaços de memória do CUDA, como global, partilhado (shared), constante e local, para otimizar as transferências de dados e os acessos à memória
• Utilização do modelo de execução do CUDA para controlar threads, blocos e grelhas (grids) que definem o paralelismo
• Depuração e teste de programas CUDA utilizando ferramentas como CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight
• Otimização de programas CUDA utilizando técnicas como coalescing, cache, prefetching e profiling

ROCm

• O que é o ROCm?
• Quais são as vantagens e desvantagens do ROCm?
• Configuração do ambiente de desenvolvimento para ROCm
• Criação de um programa ROCm básico que realize a adição de vetores
• Utilização da API ROCm para consultar informações do dispositivo, alocar e desalocar memória de dispositivo, copiar dados entre o anfitrião (host) e o dispositivo, iniciar kernels e sincronizar threads
• Utilização da linguagem ROCm C/C++ para escrever kernels que são executados no dispositivo e manipulam dados
• Utilização de funções, variáveis e bibliotecas incorporadas do ROCm para executar tarefas e operações comuns
• Utilização dos espaços de memória do ROCm, como global, local, constante e privado, para otimizar as transferências de dados e os acessos à memória
• Utilização do modelo de execução do ROCm para controlar threads, blocos e grelhas (grids) que definem o paralelismo
• Depuração e teste de programas ROCm utilizando ferramentas como ROCm Debugger e ROCm Profiler
• Otimização de programas ROCm utilizando técnicas como coalescing, cache, prefetching e profiling

HIP

• O que é o HIP?
• Quais são as vantagens e desvantagens do HIP?
• Configuração do ambiente de desenvolvimento para HIP
• Criação de um programa HIP básico que realize a adição de vetores
• Utilização da linguagem HIP para escrever kernels que são executados no dispositivo e manipulam dados
• Utilização de funções, variáveis e bibliotecas incorporadas do HIP para executar tarefas e operações comuns
• Utilização dos espaços de memória do HIP, como global, partilhado (shared), constante e local, para otimizar as transferências de dados e os acessos à memória
• Utilização do modelo de execução do HIP para controlar threads, blocos e grelhas (grids) que definem o paralelismo
• Depuração e teste de programas HIP utilizando ferramentas como ROCm Debugger e ROCm Profiler
• Otimização de programas HIP utilizando técnicas como coalescing, cache, prefetching e profiling

Comparação

• Comparação das funcionalidades, desempenho e compatibilidade de OpenCL, CUDA, ROCm e HIP
• Avaliação de programas GPU utilizando benchmarks e métricas
• Aprendizagem das melhores práticas e dicas para a programação de GPU
• Exploração das tendências atuais e futuras e desafios da programação de GPU

Resumo e Próximos Passos