فلش‌کارت‌های آموزشی بهینه‌سازی الگوریتم‌های پردازش تصویر برای سرعت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی الگوریتم‌های پردازش تصویر برای سرعت

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه: چرا سرعت در پردازش تصویر مهم است؟
• 2. آشنایی با محاسبات سطح بالا (HPC) و کاربرد آن در پردازش تصویر
• 3. مبانی پردازش تصویر: پیکسل، کانال و فضای رنگی
• 4. عملیات پایه‌ای: فیلترها، کانولوشن و کرنل‌ها
• 5. معماری کامپیوتر برای بهینه‌سازی: CPU، حافظه و سلسله‌مراتب کش
• 6. انتخاب زبان و ابزار: C++ در مقابل Python برای عملکرد بالا
• 7. راه‌اندازی محیط توسعه: کامپایلرها، کتابخانه‌ها (OpenCV)
• 8. سنجش عملکرد: تعریف بنچمارک و معیارهای ارزیابی
• 9. پروفایلینگ: شناسایی گلوگاه‌های (Bottlenecks) کد
• 10. ابزارهای پروفایلینگ: gprof، Valgrind، Intel VTune
• 11. تحلیل پیچیدگی الگوریتم‌ها (Big O Notation) در پردازش تصویر
• 12. ساختار داده‌های تصویر در حافظه: Row-major vs. Column-major
• 13. بارگذاری و ذخیره بهینه تصاویر
• 14. اولین برنامه: پیاده‌سازی یک فیلتر ساده و اندازه‌گیری زمان آن
• 15. آشنایی با مفاهیم محلی بودن داده (Data Locality)
• 16. تاثیر Cache Miss بر عملکرد
• 17. انواع داده و تاثیر آن بر سرعت (int, float, double)
• 18. مدیریت حافظه پایه: تخصیص و آزادسازی حافظه
• 19. مفاهیم کامپایلر و مراحل کامپایل
• 20. خواندن و تفسیر نتایج پروفایلر
• 21. بهینه‌سازی توسط کامپایلر: سطوح بهینه‌سازی (-O1, -O2, -O3, -Ofast)
• 22. تاثیر دستورالعمل‌های کامپایلر (Pragmas & Directives)
• 23. بهینه‌سازی حافظه: هم‌ترازی داده‌ها (Data Alignment)
• 24. ساختار داده‌های بهینه: Array of Structs (AoS) vs. Struct of Arrays (SoA)
• 25. بهینه‌سازی کش: الگوریتم‌های آگاه از کش (Cache-Aware)
• 26. تکنیک Tiling یا Blocking برای بهبود Locality
• 27. بهینه‌سازی حلقه‌ها: Loop Unrolling
• 28. بهینه‌سازی حلقه‌ها: Loop Fusion و Loop Fission
• 29. حذف انشعابات (Branch Prediction) از کدهای حساس به عملکرد
• 30. استفاده از جداول جستجو (Lookup Tables) برای تسریع محاسبات
• 31. مقدمه‌ای بر SIMD: پردازش موازی در سطح دستورالعمل
• 32. آشنایی با مجموعه‌های دستورالعمل SIMD: SSE و AVX
• 33. استفاده از توابع ذاتی (Intrinsics) برای برنامه‌نویسی SIMD
• 34. پیاده‌سازی تبدیل به تصویر سیاه‌وسفید با AVX
• 35. بهینه‌سازی فیلتر Box Blur با استفاده از SIMD
• 36. الگوریتم‌های سریع کانولوشن: FFT-based Convolution
• 37. بهینه‌سازی محاسبات ممیز شناور (Floating-Point)
• 38. کاهش عملیات غیرضروری در حلقه‌های تودرتو
• 39. مطالعه موردی: بهینه‌سازی فیلتر Sobel در یک هسته
• 40. تحلیل عملکرد پس از بهینه‌سازی‌های تک‌هسته‌ای
• 41. مقدمه‌ای بر برنامه‌نویسی موازی: مفاهیم Thread و Process
• 42. چالش‌های موازی‌سازی: Race Condition و Deadlock
• 43. همگام‌سازی (Synchronization): Mutex، Semaphore و Lock
• 44. مدل‌های برنامه‌نویسی موازی: Shared Memory در مقابل Distributed Memory
• 45. معرفی OpenMP: یک راه ساده برای موازی‌سازی
• 46. دستورالعمل‌های پایه OpenMP: parallel for
• 47. مدیریت متغیرها در OpenMP: private, shared, reduction
• 48. موازی‌سازی فیلترهای نقطه‌ای (Pointwise Filters) با OpenMP
• 49. موازی‌سازی کانولوشن و فیلترهای همسایگی با OpenMP
• 50. زمان‌بندی حلقه‌ها در OpenMP: static, dynamic, guided
• 51. بهینه‌سازی بار کاری (Load Balancing) بین هسته‌ها
• 52. مشکل False Sharing و راه‌های مقابله با آن
• 53. موازی‌سازی مبتنی بر وظیفه (Task Parallelism) با OpenMP
• 54. آشنایی با Threading Building Blocks (TBB) به عنوان جایگزین
• 55. مدل حافظه و عملیات اتمیک (Atomics)
• 56. موازی‌سازی الگوریتم هیستوگرام تصویر
• 57. موازی‌سازی خط لوله (Pipeline) پردازش تصویر
• 58. پروفایلینگ کدهای چند رشته‌ای
• 59. مطالعه موردی: بهینه‌سازی تشخیص لبه Canny با OpenMP
• 60. مقایسه عملکرد کد تک‌رشته‌ای و چندرشته‌ای
• 61. مقدمه‌ای بر شتاب‌دهی با GPU: چرا GPU سریع‌تر است؟
• 62. معماری GPU: CUDA Cores، Warps و Streaming Multiprocessors
• 63. آشنایی با CUDA: مدل برنامه‌نویسی و اکوسیستم
• 64. مدل اجرایی CUDA: Grid, Block, Thread
• 65. مدل حافظه CUDA: Global, Shared, Constant, Texture
• 66. نوشتن اولین کرنل CUDA: جمع دو تصویر
• 67. مدیریت حافظه در GPU: تخصیص و انتقال داده (cudaMalloc, cudaMemcpy)
• 68. بهینه‌سازی انتقال داده بین CPU و GPU
• 69. پیاده‌سازی فیلترهای نقطه‌ای روی GPU
• 70. استفاده از حافظه مشترک (Shared Memory) برای بهینه‌سازی کانولوشن
• 71. تکنیک Tiling در CUDA برای الگوریتم‌های همسایگی
• 72. بهینه‌سازی دسترسی به حافظه سراسری (Coalesced Memory Access)
• 73. واگرایی نخ‌ها (Thread Divergence) و تاثیر آن بر عملکرد
• 74. استفاده از حافظه ثابت (Constant Memory) و بافت (Texture Memory)
• 75. عملیات اتمیک در CUDA برای الگوریتم‌هایی مانند هیستوگرام
• 76. پردازش ناهمگام (Asynchronous) با CUDA Streams
• 77. بهینه‌سازی اشغال (Occupancy) Streaming Multiprocessors
• 78. معرفی OpenCL به عنوان یک جایگزین چندسکویی
• 79. مفاهیم پایه OpenCL: Platform, Device, Context, Kernel
• 80. استفاده از کتابخانه‌های سطح بالا: OpenCV GpuMat
• 81. استفاده از کتابخانه Thrust برای الگوریتم‌های موازی
• 82. مطالعه موردی: پیاده‌سازی سریع تبدیل فوریه سریع (FFT) روی GPU
• 83. مطالعه موردی: بهینه‌سازی فیلتر Median روی GPU
• 84. پروفایلینگ کرنل‌های CUDA با NVIDIA Nsight
• 85. مقایسه عملکرد CPU چند هسته‌ای با GPU
• 86. محاسبات ناهمگون (Heterogeneous Computing): ترکیب CPU و GPU
• 87. زمان‌بندی وظایف بین CPU و GPU برای حداکثر کارایی
• 88. بهینه‌سازی ورودی/خروجی (I/O): خواندن و نوشتن سریع داده‌های تصویر
• 89. استفاده از کتابخانه‌های تخصصی: Intel Integrated Performance Primitives (IPP)
• 90. مقدمه‌ای بر محاسبات توزیع‌شده برای پردازش مجموعه تصاویر عظیم
• 91. آشنایی با MPI (Message Passing Interface)
• 92. تقسیم دامنه (Domain Decomposition) تصویر برای پردازش توزیع‌شده
• 93. پردازش تصویر در مقیاس بزرگ با Apache Spark
• 94. مقدمه‌ای بر شتاب‌دهنده‌های سخت‌افزاری: FPGA و کاربرد آن
• 95. ملاحظات پردازش تصویر بلادرنگ (Real-time): Latency در مقابل Throughput
• 96. فشرده‌سازی تصویر و تاثیر آن بر خط لوله پردازش
• 97. روندهای آینده در HPC برای پردازش تصویر: هوش مصنوعی و یادگیری عمیق
• 98. جمع‌بندی تکنیک‌های بهینه‌سازی
• 99. پروژه نهایی: طراحی و پیاده‌سازی یک خط لوله کامل و بهینه پردازش تصویر
• 100. نکات پایانی و منابع بیشتر برای یادگیری