دوره استفاده از SIMD instructions در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از SIMD instructions در پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. موضوع کلی: برنامه نویسی
• 2. موضوع میانی: محاسبات سطح بالا (High-Performance Computing)
• 3. عنوان دوره: استفاده از SIMD instructions در پایتون
• 4. مقدمه‌ای بر محاسبات سطح بالا (HPC)
• 5. چرا به محاسبات سطح بالا نیاز داریم؟
• 6. نقش پایتون در اکوسیستم HPC
• 7. بررسی چالش‌های عملکردی پایتون
• 8. مفاهیم اساسی عملکرد: زمان اجرا و پیچیدگی
• 9. بررسی گلوگاه‌های عملکردی رایج در پایتون
• 10. معرفی ابزارهای پایه پروفایلینگ در پایتون (`timeit`, `cProfile`)
• 11. مفاهیم اولیه معماری کامپیوتر برای HPC
• 12. سلسله مراتب حافظه: کش، RAM، دیسک
• 13. اثر کش در عملکرد برنامه
• 14. معرفی واحدهای پردازشی در CPU
• 15. مفهوم خط لوله (Pipelining) در CPU
• 16. انواع معماری دستورالعمل (ISA): RISC در مقابل CISC
• 17. بررسی مجموعه دستورالعمل‌های CPU
• 18. مفهوم پردازش موازی: تاریخچه و اهمیت
• 19. انواع موازی‌سازی: بیت، دستورالعمل، داده، تسک
• 20. موازی‌سازی SIMD در مقابل MIMD
• 21. معرفی واحد پردازنده برداری (Vector Processor)
• 22. تفاوت پردازش اسکالر و برداری
• 23. چرا SIMD برای HPC ضروری است؟
• 24. تعریف SIMD و اصول کاری آن
• 25. مزایای استفاده از SIMD: سرعت و بهره‌وری
• 26. محدودیت‌ها و چالش‌های SIMD
• 27. مفهوم Vectorization (برداری‌سازی)
• 28. انواع داده‌های برداری (Vector Data Types)
• 29. معرفی رجیسترهای SIMD (مانند XMM, YMM, ZMM)
• 30. عملیات پایه SIMD: جمع، تفریق، ضرب برداری
• 31. عملیات منطقی و مقایسه برداری در SIMD
• 32. عملیات Shuffling و Permutation در SIMD
• 33. مفهوم Blending و Masking در SIMD
• 34. مقدمه‌ای بر مجموعه دستورالعمل‌های SSE (Streaming SIMD Extensions)
• 35. بررسی SSE2, SSE3, SSSE3, SSE4.x
• 36. معرفی AVX (Advanced Vector Extensions)
• 37. تفاوت‌های AVX و SSE: پهنای رجیستر و عملیات
• 38. AVX2 و قابلیت‌های جدید آن
• 39. مقدمه‌ای بر AVX-512 و ویژگی‌های آن
• 40. تشخیص پشتیبانی SIMD در CPU (CPU-ID)
• 41. مدیریت حافظه و Alignment برای SIMD
• 42. تاثیر Cache Line در عملیات SIMD
• 43. بهینه‌سازی دسترسی به حافظه برای SIMD
• 44. NumPy: ستون فقرات محاسبات عددی در پایتون
• 45. آرایه‌های NumPy و ساختار حافظه‌ای آن‌ها
• 46. مفهوم Universal Functions (Ufuncs) در NumPy
• 47. Ufuncs چگونه از SIMD استفاده می‌کنند؟ (درون‌گرا)
• 48. Broadcasting در NumPy برای عملیات برداری
• 49. عملیات ریاضی پایه با NumPy و کارایی آن
• 50. استفاده از عملیات کاهشی (Reduction Operations) NumPy
• 51. فیلتر کردن و ایندکس‌گذاری پیشرفته در NumPy
• 52. بهینه‌سازی کد پایتون با رویکرد "NumPy-centric"
• 53. SciPy: مجموعه ابزارهای علمی مبتنی بر NumPy
• 54. ماژول‌های مهم SciPy برای HPC
• 55. مثال: پردازش تصویر پایه با NumPy/SciPy و SIMD (غیرمستقیم)
• 56. مثال: حل سیستم معادلات خطی با NumPy/SciPy و SIMD
• 57. محدودیت‌های NumPy برای دسترسی مستقیم به SIMD
• 58. چه زمانی NumPy کافی نیست؟
• 59. چرایی نیاز به C/C++ برای دسترسی به SIMD در پایتون
• 60. معرفی `ctypes`: فراخوانی توابع C از پایتون
• 61. تعریف انواع داده C در `ctypes`
• 62. ارسال آرایه‌ها و اشاره‌گرها به توابع C با `ctypes`
• 63. نوشتن یک ماژول C ساده برای فراخوانی از پایتون
• 64. معرفی `cffi`: رابط تابع خارجی برای C
• 65. تفاوت‌های `cffi` و `ctypes`
• 66. استفاده از `cffi` برای فراخوانی توابع C
• 67. مدیریت حافظه در `cffi`
• 68. معرفی Cython: ترکیب پایتون و C
• 69. نصب و کامپایل کردن کد Cython
• 70. تایپ کردن (Type Hinting) در Cython برای کارایی بالاتر
• 71. دسترسی به آرایه‌های NumPy از Cython (MemoryViews)
• 72. فراخوانی توابع C از Cython
• 73. نوشتن توابع بهینه با Cython
• 74. معرفی Numba: کامپایلر JIT برای پایتون
• 75. نصب Numba و محیط کاری آن
• 76. دکوراتورهای Numba: `@jit` و `@njit`
• 77. Numba و بهینه‌سازی حلقه‌های پایتون
• 78. پشتیبانی Numba از آرایه‌های NumPy
• 79. Numba و خودکارسازی SIMD (Auto-vectorization)
• 80. Numba `@vectorize`: ایجاد Ufuncهای سفارشی
• 81. Numba `@guvectorize`: برداری‌سازی تعمیم‌یافته
• 82. تفاوت Numba با Cython برای بهینه‌سازی عملکرد
• 83. اشکال‌زدایی (Debugging) کد Numba
• 84. مفهوم Intrinsics در SIMD
• 85. نحوه استفاده از Intrinsics در C/C++
• 86. Intrinsics برای SSE: مثال `_mm_add_ps`
• 87. Intrinsics برای AVX: مثال `_mm256_mul_ps`
• 88. Intrinsics برای AVX-512 (مقدماتی)
• 89. مدیریت حافظه و Alignment با Intrinsics
• 90. تبدیل داده (Casting) در Intrinsics SIMD
• 91. ترکیب Intrinsics با Cython: پیاده‌سازی یک هسته SIMD
• 92. ترکیب Intrinsics با `ctypes`/`cffi`: بارگذاری کتابخانه‌های SIMD
• 93. توسعه یک عملیات پیچیده با Intrinsics SIMD (مثلاً Convolution)
• 94. تکنیک‌های پیشرفته Alignment در پایتون و C Extensions
• 95. Loop Unrolling برای بهبود بهره‌وری SIMD
• 96. مدیریت Caching و Prefetching در کدهای SIMD
• 97. موازی‌سازی با OpenMP در C (برای استفاده در Cython/Cffi)
• 98. استفاده از `perf` و `VTune` برای پروفایلینگ عمیق SIMD
• 99. ابزارهای دیس‌اسمبلی (Disassembly) برای بررسی دستورالعمل‌های SIMD
• 100. انتخاب بهترین رویکرد: NumPy, Numba, Cython, C Intrinsics