کتاب صوتی اسرار برنامه‌نویسی GPGPU برای بازی‌سازی و محاسبات علمی: راهنمای عملی با CUDA و OpenCL

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اسرار برنامه‌نویسی GPGPU برای بازی‌سازی و محاسبات علمی: راهنمای عملی با CUDA و OpenCL

موضوع کلی: محاسبات موازی و شتاب‌دهی سخت‌افزاری

موضوع میانی: برنامه‌نویسی GPGPU با CUDA و OpenCL

📋 سرفصل‌های دوره

• 1. مقدمه ای بر محاسبات موازی
• 2. انقلاب GPGPU
• 3. چرا GPGPU؟
• 4. معماری پردازنده های گرافیکی (GPU)
• 5. رابط های برنامه نویسی GPGPU
• 6. CUDA: پلتفرم برنامه نویسی GPU انویدیا
• 7. OpenCL: استاندارد باز برای محاسبات موازی
• 8. تفاوت های کلیدی CUDA و OpenCL
• 9. نصب و پیکربندی CUDA Toolkit
• 10. نصب و پیکربندی OpenCL SDK
• 11. اولین برنامه CUDA: Hello World
• 12. اولین برنامه OpenCL: Hello World
• 13. ساختار برنامه CUDA
• 14. مدیریت حافظه در CUDA
• 15. انتقال داده ها بین CPU و GPU
• 16. انواع حافظه در CUDA (Global, Shared, Local, Constant, Texture)
• 17. مدیریت حافظه جهانی (Global Memory)
• 18. مدیریت حافظه اشتراکی (Shared Memory)
• 19. مدیریت حافظه محلی (Local Memory)
• 20. مدیریت حافظه ثابت (Constant Memory)
• 21. مدیریت حافظه تکسچر (Texture Memory)
• 22. توابع هسته (Kernel Functions) در CUDA
• 23. انواع نخ ها (Threads), بلوک ها (Blocks), و شبکه ها (Grids)
• 24. سازماندهی نخ ها در CUDA
• 25. زمانبندی نخ ها در CUDA
• 26. همگام سازی نخ ها در CUDA
• 27. موانع همگام سازی (Synchronization Barriers)
• 28. مدیریت خطا در CUDA
• 29. دیباگ کردن برنامه های CUDA
• 30. پروفایلینگ برنامه های CUDA
• 31. نکات بهینه سازی عملکرد در CUDA
• 32. استفاده از حافظه اشتراکی برای کاهش تاخیر
• 33. بهینه سازی دسترسی به حافظه جهانی
• 34. مدیریت پهنای باند حافظه
• 35. توابع ویژه (Special Functions) در CUDA
• 36. عملیات اتمی (Atomic Operations) در CUDA
• 37. همبافت (Coalescing) دسترسی به حافظه
• 38. مفهوم Warp در CUDA
• 39. اجرای Warp
• 40. اختلافات Warp (Warp Divergence)
• 41. مدیریت Warp Divergence
• 42. الگوهای برنامه نویسی موازی در CUDA
• 43. الگوی Map (Map-Reduce)
• 44. الگوی Map
• 45. الگوی Reduce
• 46. الگوی Scan (Prefix Sum)
• 47. مدیریت صفوف (Queues) در OpenCL
• 48. دستگاه ها (Devices) و پلتفرم ها (Platforms) در OpenCL
• 49. محیط های اجرایی (Contexts) در OpenCL
• 50. برنامه ها (Programs) و کرنل ها (Kernels) در OpenCL
• 51. حافظه در OpenCL (Global, Local, Private)
• 52. انتقال داده ها در OpenCL
• 53. ساختار برنامه OpenCL
• 54. مدیریت خطا در OpenCL
• 55. دیباگ کردن برنامه های OpenCL
• 56. پروفایلینگ برنامه های OpenCL
• 57. نکات بهینه سازی عملکرد در OpenCL
• 58. مفاهیم مشابه Warp در OpenCL
• 59. استفاده از حافظه محلی (Local Memory) در OpenCL
• 60. بهینه سازی دسترسی به حافظه جهانی در OpenCL
• 61. مدیریت پهنای باند حافظه در OpenCL
• 62. توابع ویژه (Built-in Functions) در OpenCL
• 63. عملیات اتمی (Atomic Operations) در OpenCL
• 64. الگوهای برنامه نویسی موازی در OpenCL
• 65. الگوی Map در OpenCL
• 66. الگوی Reduce در OpenCL
• 67. الگوی Scan (Prefix Sum) در OpenCL
• 68. تفاوت های سطح پایین بین CUDA و OpenCL
• 69. انتخاب بین CUDA و OpenCL
• 70. کاربرد GPGPU در بازی سازی: فیزیک
• 71. شبیه سازی ذرات در بازی ها
• 72. سیستم های ذرات (Particle Systems)
• 73. شتاب دهی شیدرها (Shader Acceleration)
• 74. هوش مصنوعی در بازی ها
• 75. پردازش تصاویر و جلوه های بصری در بازی ها
• 76. کاربرد GPGPU در محاسبات علمی: محاسبات علمی عمومی
• 77. محاسبات برداری (Vector Computations)
• 78. محاسبات ماتریسی (Matrix Computations)
• 79. ضرب ماتریس ها (Matrix Multiplication)
• 80. تجزیه و تحلیل داده های بزرگ (Big Data Analysis)
• 81. یادگیری ماشین (Machine Learning)
• 82. شبکه های عصبی (Neural Networks)
• 83. شبیه سازی های علمی (Scientific Simulations)
• 84. دینامیک سیالات محاسباتی (Computational Fluid Dynamics - CFD)
• 85. عناصر محدود (Finite Element Methods - FEM)
• 86. انتقال حرارت (Heat Transfer)
• 87. محاسبات مولکولی (Molecular Dynamics)
• 88. مدل سازی های مالی (Financial Modeling)
• 89. پردازش سیگنال (Signal Processing)
• 90. پردازش تصویر (Image Processing)
• 91. هندسه محاسباتی (Computational Geometry)
• 92. رندرینگ (Rendering)
• 93. پسا پردازش (Post-Processing)
• 94. رندرینگ مبتنی بر فیزیک (Physically Based Rendering - PBR)
• 95. بهینه سازی الگوریتم های موازی
• 96. مقدمه ای بر الگوریتم های موازی پیشرفته
• 97. تکنیک های تقسیم و غلبه (Divide and Conquer) در GPGPU
• 98. پیاده سازی الگوریتم های مرتب سازی موازی (Parallel Sorting)
• 99. پیاده سازی الگوریتم های جستجوی موازی (Parallel Searching)
• 100. کار با جریان های (Streams) CUDA