فلش‌کارت‌های آموزشی استفاده از Numba برای کامپایل کد پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Numba برای کامپایل کد پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر برنامه‌نویسی با کارایی بالا (HPC)
• 2. چرا به محاسبات سطح بالا نیاز داریم؟
• 3. عملکرد پایتون: نقاط قوت و محدودیت‌ها
• 4. درک GIL (Global Interpreter Lock) در پایتون
• 5. ابزارهای پروفایل‌سازی کد پایتون (cProfile, line_profiler)
• 6. شناسایی گلوگاه‌های عملکردی در کد پایتون
• 7. معرفی NumPy برای محاسبات عددی با کارایی بالا
• 8. آرایه‌ها و عملیات برداری در NumPy برای بهینه‌سازی
• 9. مقایسه عملکرد پایتون مفسری با زبان‌های کامپایل‌شده
• 10. Numba چیست و چگونه به پایتون کمک می‌کند؟
• 11. مفهوم کامپایل Just-In-Time (JIT) و اهمیت آن
• 12. نصب و راه‌اندازی Numba در محیط توسعه
• 13. اولین برنامه Numba: کامپایل یک تابع ساده پایتون
• 14. دکوراتور `@jit` و کاربردهای آن در بهینه‌سازی
• 15. دکوراتور `@njit` برای حالت `nopython` و مزایای آن
• 16. تفاوت کلیدی بین حالت `nopython` و `object` در Numba
• 17. چرا حالت `nopython` برای حداکثر کارایی ترجیح داده می‌شود؟
• 18. انواع داده‌های پشتیبانی‌شده توسط Numba برای JIT
• 19. عملیات ریاضی و منطقی در توابع Numba JIT
• 20. استفاده بهینه از حلقه‌ها در توابع کامپایل‌شده Numba
• 21. کار با آرایه‌های NumPy در توابع Numba JIT
• 22. استنتاج نوع (Type Inference) در Numba و نحوه عملکرد آن
• 23. تعیین صریح انواع در امضای تابع Numba برای کنترل بیشتر
• 24. توابع Numba با آرگومان‌های پیش‌فرض
• 25. بازگرداندن مقادیر از توابع کامپایل‌شده Numba
• 26. اشکال‌زدایی و عیب‌یابی در کدهای بهینه‌سازی‌شده با Numba
• 27. مدیریت خطاها و استثناها در توابع Numba
• 28. مکانیسم کش (Caching) در Numba و دلیل استفاده از آن
• 29. استفاده از کش برای بهبود زمان کامپایل در اجرای مجدد
• 30. بهینه‌سازی حلقه‌های تودرتو (Nested Loops) با Numba
• 31. حذف سربار (Overhead) پایتون با Numba برای کارایی بالاتر
• 32. دکوراتور `@vectorize` برای ساخت Universal Functions (ufuncs)
• 33. ساخت ufuncهای سفارشی با `@vectorize`
• 34. تعیین نوع خروجی و ورودی در `@vectorize`
• 35. دکوراتور `@guvectorize` برای Generic Universal Functions (gufuncs)
• 36. مثال عملی: ضرب ماتریس با Numba JIT برای بهبود سرعت
• 37. کار با تاپل‌ها و لیست‌های ساده در Numba (محدودیت‌ها و کاربردها)
• 38. دیکشنری‌ها در Numba: حالت object و محدودیت‌های عملکردی
• 39. توابع درون‌ساخت پایتون که Numba پشتیبانی می‌کند
• 40. استفاده از توابع NumPy که Numba پشتیبانی می‌کند
• 41. استفاده از پرچم `fastmath=True` برای بهینه‌سازی‌های ریاضی
• 42. درک اثر جانبی `fastmath` بر دقت محاسبات
• 43. بهینه‌سازی توابع دستیار و توابع کمکی با Numba
• 44. بنچمارک‌گیری کد Numba: `timeit` و `perf_counter`
• 45. مقایسه Numba با NumPy (جایی که Numba مزیت دارد)
• 46. مقایسه Numba با Cython (مروری کوتاه بر تفاوت‌ها)
• 47. آشنایی با مفهوم پردازش موازی و انواع آن
• 48. فعال‌سازی موازی‌سازی CPU با `parallel=True` در Numba
• 49. بهینه‌سازی حلقه‌های `for` با `parallel=True` برای Multi-core CPUs
• 50. مفهوم کاهش (Reduction) در برنامه‌نویسی موازی Numba
• 51. مثال: محاسبه مجموع عناصر آرایه با موازی‌سازی CPU
• 52. نکات مهم در برنامه‌نویسی موازی با Numba برای جلوگیری از مشکلات
• 53. مسائل همگام‌سازی و ایمنی نخ (Thread Safety) در Numba موازی
• 54. کامپایل Ahead-of-Time (AOT) با Numba برای توزیع
• 55. مزایا و معایب کامپایل AOT و کاربردهای آن
• 56. توزیع کدهای کامپایل‌شده AOT به عنوان ماژول‌های مستقل
• 57. مقدمه‌ای بر برنامه‌نویسی GPU با CUDA
• 58. معماری سخت‌افزار GPU و مدل برنامه‌نویسی CUDA
• 59. نصب Numba با پشتیبانی CUDA و پیش‌نیازها
• 60. دکوراتور `@cuda.jit` برای تعریف کرنل‌های CUDA
• 61. تعریف توابع Device در CUDA Numba برای استفاده در کرنل‌ها
• 62. سازماندهی نخ‌ها و بلوک‌ها در CUDA برای موازی‌سازی
• 63. `cuda.threadIdx`, `cuda.blockIdx`, `cuda.blockDim`, `cuda.gridDim`
• 64. `cuda.grid`: محاسبه مختصات گلوبال نخ در یک گرید
• 65. پیکربندی راه‌اندازی کرنل (Kernel Launch Configuration)
• 66. تخصیص و انتقال حافظه به GPU (`cuda.to_device`, `copy_to_host`)
• 67. انواع حافظه در CUDA: حافظه گلوبال و کاربردهای آن
• 68. انواع حافظه در CUDA: حافظه مشترک (Shared Memory)
• 69. استفاده از حافظه مشترک برای بهبود عملکرد کرنل‌های CUDA
• 70. همگام‌سازی نخ‌ها درون بلوک (`cuda.syncthreads()`)
• 71. انواع حافظه در CUDA: حافظه ثابت (Constant Memory)
• 72. عملیات اتمی (Atomic Operations) در CUDA برای دسترسی ایمن
• 73. مدیریت جریان (Stream) در CUDA برای اجرای غیرهم‌زمان
• 74. پروفایل‌سازی کرنل‌های CUDA با NVIDIA Nsight و ابزارهای مشابه
• 75. اشکال‌زدایی کرنل‌های CUDA و چالش‌های آن
• 76. طراحی الگوریتم‌های موازی برای GPU با Numba CUDA
• 77. مثال عملی: ضرب ماتریس با CUDA Numba
• 78. بهینه‌سازی ضرب ماتریس با Shared Memory در CUDA
• 79. مثال عملی: محاسبه مجموعه مندلبرات با CUDA Numba
• 80. بهترین روش‌ها برای برنامه‌نویسی GPU با Numba
• 81. ترکیب کد CPU و GPU برای وظایف ترکیبی
• 82. استفاده از `cuda.device_array` و `cuda.host_array`
• 83. آرایه‌های مدیریت‌شده (Managed Memory) در CUDA (مروری کوتاه)
• 84. کار با ساختارها و کلاس‌ها در Numba (محدودیت‌ها و راه‌حل‌ها)
• 85. Numba و شی‌گرایی: چه چیزی ممکن است و چه چیزی نیست؟
• 86. معرفی `_Dispatcher` و جزئیات داخلی Numba
• 87. استفاده از Numba برای توابع بازگشتی (Recursion)
• 88. ادغام Numba با Dask برای پردازش‌های توزیع‌شده (مروری کوتاه)
• 89. Numba و Pandas: بهینه‌سازی عملیات روی DataFrames (مروری کوتاه)
• 90. انتخاب زمان مناسب برای استفاده از Numba در پروژه‌ها
• 91. سناریوهای کاربردی Numba در علوم داده و مهندسی
• 92. کاربرد Numba در یادگیری ماشین (بهبود سرعت آموزش مدل‌ها)
• 93. اصول معماری نرم‌افزار با Numba برای پروژه‌های بزرگ
• 94. تست واحد (Unit Testing) کدهای بهینه‌سازی‌شده Numba
• 95. مستندسازی کدهای Numba بهینه و پرفورمنس‌محور
• 96. نکات امنیتی در استفاده از Numba (مثلاً کد تزریقی)
• 97. توسعه Numba: مشارکت در جامعه منبع‌باز
• 98. آینده Numba و اکوسیستم HPC پایتون
• 99. مروری جامع بر تمام مباحث اصلی دوره
• 100. منابع بیشتر و گام‌های بعدی برای ادامه یادگیری Numba