|
|
|
|
全部课程 >人工智能 |
|
GPU图像处理核心技术实战 |
9 次浏览  1 次
|
|
|
| 时间地点：北京、上海 深圳根据报名开班 |
| 课程费用：4800元/人 |
|
|
|
| 企业内训：可以根据企业需求,定制内训,详见
内训学习手册 |
|
 |
认证方式：
培训前了解能力模型。
培训后进行能力评测：
在线考试
能力分析，给出学习建议
合格者颁发证书，作为职业技能资格证明
|
 |
|
|
本课程首先讲解GPU编程基础与核心算法并行化，并进行编程实践；然后讲解性能优化与完整流程构建。
|
| 培训目标： |
通过课程学习，可以:
- 深入理解GPU并行计算架构与编程模型
- 掌握CUDA（或OpenCL）编程的核心概念与流程
- 能够将经典图像处理算法重构为并行算法，并在GPU上实现
- 学会分析和优化GPU内核性能，规避常见陷阱
- 了解主流GPU图像处理库（如NPP, OpenCV CUDA）的使用
|
| 培训对象：希望将图像处理算法从CPU移植到GPU并实现加速的开发者，对高性能计算和并行计算感兴趣的技术人员 |
| 学员基础：有一定C/C++基础 |
课程特点：
概念比喻 + 可视化演示 + 逐行代码讲解 + 指导性动手实验 |
| 培训内容：2天
|
| GPU架构与CUDA编程模型 |
CPU与GPU架构深度对比
为什么图像处理适合GPU？数据并行性
GPU硬件架构简析：SM、CUDA Core、内存层次（全局、共享、常量、纹理内存）
CUDA编程模型入门
主机(Host)与设备(Device)
线程层次结构：Thread, Block, Grid
你的第一个CUDA程序：内存分配、数据传输、内核启动
练习：
配置CUDA开发环境（Nsight, VS等）
编写一个简单的内核，将GPU上的数组每个元素乘以2，理解基本流程。
|
| 图像处理在GPU上的实现（I） |
GPU上的图像表示与内存管理
在GPU上存储图像数据（Pitch线性内存）
使用CUDA流(Streams)实现异步传输与并发执行
点操作与邻域操作的并行化
点操作（如亮度调整、颜色转换）：每个线程处理一个像素
邻域操作（如卷积滤波）：共享内存(Shared Memory)的引入与使用，解决数据复用问题
实现一个高效的GPU高斯滤波器
练习：
实现图像反色、灰度化、对比度调整的点操作内核
实现基于共享内存的3x3 Sobel边缘检测器或盒式滤波器，并与Naive版本进行性能对比
|
| 图像处理在GPU上的实现（II） |
全局操作的并行化
并行前缀和(Scan)在直方图计算中的应用
并行归约(Reduction)求图像最大值/最小值/均值
纹理内存的应用
纹理内存的特性：缓存、寻址模式、滤波
为何纹理内存适合图像处理？在几何变换（旋转、缩放）中的应用
练习：
使用并行归约算法计算图像的平均亮度
利用纹理内存实现一个图像旋转内核，体验其带来的便捷性与性能优势
|
| 性能优化与库的使用 |
GPU性能分析与优化指南
使用Profiler工具（如Nvidia Nsight Systems）查找性能瓶颈
优化策略：最大化内存吞吐量、保证计算吞吐量、隐藏延迟
Occupancy（占用率）概念与优化
利用现成GPU库加速开发
NPP：NVIDIA Performance Primitives for 图像与信号处理
OpenCV CUDA模块：在熟悉的OpenCV框架内调用GPU函数
练习：综合实战与优化-实时图像处理管道
|
| 多GPU与跨平台编程 |
多GPU计算简介
跨平台替代方案：OpenCL
OpenCL与CUDA的架构与编程模型对比
简介OpenCL编程流程d
|
|
| |
|
|
| |
|
|
|
|
9 次浏览 1 次
|
| 其他人还看了课程 |
|
|
|
