دوره شتاب‌دهی به پردازش‌های محاسباتی با استفاده از پلتفرم CUDA: آموزش برنامه‌نویسی موازی بر روی پردازنده‌های گرافیکی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شتاب‌دهی به پردازش‌های محاسباتی با استفاده از پلتفرم CUDA: آموزش برنامه‌نویسی موازی بر روی پردازنده‌های گرافیکی

موضوع کلی: علوم و مهندسی رایانه

موضوع میانی: پردازش موازی و محاسبات با عملکرد بالا (HPC)

📋 سرفصل‌های دوره

• 1. مبانی معماری پردازنده‌های گرافیکی و تفاوت با پردازنده‌های مرکزی
• 2. آشنایی با مدل برنامه‌نویسی موازی و معماری CUDA
• 3. نصب و راه‌اندازی محیط توسعه برای برنامه‌نویسی CUDA
• 4. مدل سلسله‌مراتبی نخ‌ها در CUDA شامل Thread Block و Grid
• 5. مدیریت حافظه در دستگاه و انتقال داده بین میزبان و دستگاه
• 6. نوشتن اولین برنامه محاسباتی در CUDA
• 7. درک مفهوم هسته‌های پردازشی و مدیریت اجرای موازی
• 8. مبانی زمان‌بندی اجرای نخ‌ها در معماری Warp
• 9. استفاده از حافظه اشتراکی برای بهینه‌سازی دسترسی به داده‌ها
• 10. مدیریت همگام‌سازی نخ‌ها و جلوگیری از شرایط رقابتی
• 11. بهینه‌سازی دسترسی به حافظه جهانی و الگوهای دسترسی هم‌زمان
• 12. پیاده‌سازی الگوریتم‌های کاهش موازی در پردازنده گرافیکی
• 13. مبانی استفاده از حافظه ثابت و حافظه بافت
• 14. کاربرد حافظه محلی و مدیریت ثبت‌ها در CUDA
• 15. تکنیک‌های افزایش کارایی در محاسبات ممیز شناور
• 16. استفاده از کتابخانه تخصصی cuBLAS برای عملیات جبر خطی
• 17. آشنایی با کتابخانه cuFFT برای پردازش سیگنال و تبدیل فوریه
• 18. مدیریت جریان‌های داده در CUDA برای همپوشانی محاسبات و ارتباطات
• 19. بهره‌گیری از چندین پردازنده گرافیکی در یک سیستم واحد
• 20. استفاده از ابزارهای پروفایلینگ برای شناسایی گلوگاه‌های عملکردی
• 21. تحلیل و بهینه‌سازی زمان اجرای کرنل‌ها
• 22. پیاده‌سازی ضرب ماتریس موازی با استفاده از حافظه اشتراکی
• 23. تکنیک‌های کاهش تاخیر در انتقال داده بین میزبان و دستگاه
• 24. برنامه‌نویسی موازی برای پردازش تصاویر دیجیتال
• 25. پیاده‌سازی فیلترهای پردازش تصویر به صورت موازی
• 26. مدیریت خطا در برنامه‌های CUDA و دیباگ کردن کرنل‌ها
• 27. تکنیک‌های پیشرفته در مدیریت حافظه یکپارچه
• 28. آشنایی با مدل‌های برنامه‌نویسی موازی مبتنی بر وظیفه
• 29. کاربرد CUDA در شبیه‌سازی‌های علمی و محاسبات عددی
• 30. پیاده‌سازی الگوریتم‌های مرتب‌سازی موازی
• 31. بهینه‌سازی کدهای CUDA برای معماری‌های مختلف سخت‌افزاری
• 32. مفاهیم پیشرفته در برنامه‌نویسی موازی ناهمگام
• 33. استفاده از کتابخانه Thrust برای توسعه سریع کدهای موازی
• 34. توسعه برنامه‌های کاربردی برای پردازش داده‌های حجیم
• 35. ملاحظات امنیتی و پایداری در برنامه‌نویسی سیستم‌های با عملکرد بالا
• 36. بهینه‌سازی مصرف انرژی در محاسبات موازی
• 37. ارائه پروژه‌های عملی و تحلیل نتایج عملکرد سیستم‌های موازی