فلش‌کارت‌های آموزشی الگوهای طلایی و تکنیک‌های حرفه‌ای در محاسبات GPU

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوهای طلایی و تکنیک‌های حرفه‌ای در محاسبات GPU

موضوع کلی: پردازش موازی و محاسبات با عملکرد بالا

موضوع میانی: برنامه‌نویسی و بهینه‌سازی بر روی پردازنده‌های گرافیکی (GPU)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش موازی و محاسبات GPU
• 2. معماری GPU: ساختار و عملکرد
• 3. CUDA: چارچوبی برای برنامه‌نویسی GPU
• 4. نصب و پیکربندی CUDA Toolkit
• 5. اولین برنامه CUDA: جمع برداری
• 6. آشنایی با حافظه GPU: انواع و سطوح
• 7. حافظه سراسری (Global Memory): دسترسی و بهینه‌سازی
• 8. حافظه مشترک (Shared Memory): قدرت و کاربردها
• 9. حافظه ثابت (Constant Memory): استفاده و مزایا
• 10. بافت‌ها (Textures): ذخیره‌سازی و دسترسی به داده
• 11. مدیریت حافظه GPU: تخصیص و آزاد سازی
• 12. آشنایی با Grid، Block و Thread در CUDA
• 13. طراحی Grid و Block بهینه برای عملکرد بالا
• 14. همگام‌سازی Threadها: __syncthreads()
• 15. رفع خطاهای همگام‌سازی و شرایط مسابقه (Race Conditions)
• 16. استفاده از CUDA Visual Profiler برای عیب‌یابی
• 17. بهینه‌سازی حافظه: تجمیع دسترسی‌ها (Coalesced Access)
• 18. بهینه‌سازی حافظه: حذف Bank Conflicts در حافظه مشترک
• 19. بهینه‌سازی حافظه: استفاده از Padding
• 20. بهینه‌سازی محاسبات: حذف انشعابات شرطی (Branch Divergence)
• 21. بهینه‌سازی محاسبات: استفاده از Lookup Tables
• 22. بهینه‌سازی محاسبات: استفاده از توابع ریاضی داخلی (Intrinsic Functions)
• 23. اندازه‌گیری عملکرد GPU: معیارهای کلیدی
• 24. تحلیل و بررسی Bottleneckهای عملکرد
• 25. CUDA Streams: اجرای موازی هسته‌ها
• 26. CUDA Events: اندازه‌گیری زمان اجرای هسته‌ها
• 27. بهینه‌سازی انتقال داده بین CPU و GPU
• 28. Zero-Copy Memory: انتقال بدون کپی
• 29. Unified Memory: مدیریت یکپارچه حافظه CPU و GPU
• 30. تکنیک‌های پیشرفته CUDA: Dynamic Parallelism
• 31. تکنیک‌های پیشرفته CUDA: Asynchronous Operations
• 32. تکنیک‌های پیشرفته CUDA: CUDA Graphs
• 33. بهینه‌سازی CUDA برای چند GPU
• 34. CUDA Multi-Process Service (MPS)
• 35. برنامه‌نویسی OpenCL: چارچوبی برای پردازش ناهمگن
• 36. مقایسه CUDA و OpenCL: مزایا و معایب
• 37. نصب و پیکربندی OpenCL SDK
• 38. اولین برنامه OpenCL: جمع برداری
• 39. آشنایی با حافظه در OpenCL
• 40. بهینه‌سازی حافظه در OpenCL
• 41. آشنایی با Work-Group و Work-Item در OpenCL
• 42. همگام‌سازی Work-Itemها در OpenCL
• 43. Kernelها در OpenCL: نوشتن و بهینه‌سازی
• 44. OpenCL Platforms و Devices
• 45. بهینه‌سازی انتقال داده در OpenCL
• 46. OpenCL Events و Profiling
• 47. استفاده از Images در OpenCL
• 48. OpenCL: Native Kernels
• 49. OpenCL: مدیریت Context و Command Queue
• 50. OpenCL: استفاده از Extensions
• 51. برنامه‌نویسی Shaders: OpenGL و GLSL
• 52. محاسبات با استفاده از Shaders: مقدمه
• 53. انواع Shader: Vertex، Fragment، Geometry، Compute
• 54. نوشتن Shaderهای محاسباتی در GLSL
• 55. بهینه‌سازی Shaderها برای عملکرد بالا
• 56. استفاده از Framebuffer Objects (FBOs) برای محاسبات
• 57. استفاده از Transform Feedback برای محاسبات
• 58. برنامه‌نویسی Shaders: Vulkan و SPIR-V
• 59. معماری Vulkan: مقدمه و مفاهیم کلیدی
• 60. نوشتن Shaders در SPIR-V
• 61. کامپایل Shaders با glslc
• 62. Pipeline State Objects (PSOs) در Vulkan
• 63. CommandBufferها و Queueها در Vulkan
• 64. بهینه‌سازی Shaderهای Vulkan
• 65. استفاده از Compute Shaders در Vulkan
• 66. OpenACC: چارچوبی برای برنامه‌نویسی با directive
• 67. نوشتن برنامه‌های OpenACC
• 68. بهینه‌سازی OpenACC: Data Regions و Clauses
• 69. OpenACC: Kernel Directives
• 70. OpenACC: Loop Directives
• 71. OpenACC: Asynchronous Execution
• 72. ادغام CUDA و OpenACC
• 73. NVIDIA Nsight Systems: ابزار پروفایلینگ
• 74. NVIDIA Nsight Compute: ابزار دیباگینگ و تحلیل کرنل
• 75. استفاده از Visual Studio برای برنامه‌نویسی CUDA
• 76. استفاده از CMake برای ساخت پروژه‌های CUDA
• 77. الگوریتم‌های مرتب‌سازی روی GPU
• 78. جستجوی الگو در رشته‌ها با GPU
• 79. پردازش تصویر روی GPU: فیلترها و عملیات
• 80. بینایی ماشین روی GPU: تشخیص اشیا
• 81. شبکه‌های عصبی عمیق روی GPU: آموزش و استنتاج
• 82. یادگیری تقویتی روی GPU
• 83. شبیه‌سازی فیزیک روی GPU: ذرات و سیالات
• 84. حل معادلات دیفرانسیل روی GPU
• 85. محاسبات مالی روی GPU
• 86. بیوانفورماتیک روی GPU
• 87. رمزنگاری روی GPU
• 88. محاسبات هندسی روی GPU
• 89. توسعه بازی‌های ویدیویی با GPU
• 90. رندرینگ GPU محور: Ray Tracing
• 91. رندرینگ GPU محور: Path Tracing
• 92. استفاده از OptiX برای Ray Tracing
• 93. استفاده از CUDA Toolkit برای Ray Tracing
• 94. واقعیت مجازی (VR) و واقعیت افزوده (AR) روی GPU
• 95. محاسبات ابری و GPU
• 96. داده‌کاوی و یادگیری ماشین روی GPU
• 97. بهینه‌سازی مصرف انرژی در محاسبات GPU
• 98. امنیت در محاسبات GPU
• 99. آینده محاسبات GPU: معماری‌های جدید و تکنولوژی‌ها
• 100. مثال‌های کاربردی پیشرفته در CUDA