课程：使用GPU和CUDA 提升 Python程序的性能

求知

文章

文库

Lib

咨询

会员

成功案例

相关课程

全部课程 >人工智能

使用GPU和CUDA 提升 Python程序的性能

991 次浏览

34 次


马老师
NVIDIA技术专家

时间地点：北京、深圳、上海根据报名开班

课程费用：2600元/人

报公开课

要内训

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

本课程教授如何使用基本的工具和技术，通过在 GPU 上的 CUDA® 和 NUMBA 编译器，来加速 Python 应用程序的运行。在 GPU 支持的实时云端开发环境上，您将完成十几个动手编码练习，并在培训结束时实践一个新的工作流程，来加速全功能但仅支持 CPU 的线性代数程序，从而获得显著的性能提升。课程结束后，您将拥有更多资源来自行创建新的 GPU 加速应用程序。练习方式：每位学员使用云端完全配置的 GPU 加速工作站实验练习。

培训目标：

课程结束后，您将了解使用 CUDA 和 Numba 实现 GPU 加速 Python 应用程序的基本工具和技能。
• 只需使用几行代码即可实现 GPU 加速的 NumPy ufuncs 。
• 利用 CUDA 线程层次结构配置代码并行化。
• 编写自定义 CUDA 核函数实现最大性能和灵活性
• 使用内存合并和设备上共享内存来增加 CUDA 核函数的带宽

培训对象：Python开发工程师

学员基础：基本的 Python 编程能力，包括熟悉变量类型、循环、条件语句、函数和数组操作。使用 NumPy 的能力，包括使用 ndarrays 和 ufuncs。无需具备前期 CUDA 编程知识。

授课方式：定制课程 + 案例讲解 + 小组讨论，60%案例讲解，40%实践演练

培训内容：1天

主题	课程安排
使用GPU和CUDA 提升 Python程序的性能	Python 的复杂计算应用程序的性能问题 GPU 计算架构原理 CUBA 计算模型原理 Numba 和 NumPy 简介
使用 Numba 的 CUDA Python	在 Python 中用 Numba 编译器和 CUDA 编程使用 Numba 装饰器加速数值 Python 函数优化主机到设备、设备到主机的内存传输
在支持 Numba 的 Python 中自定义 CUDA 核函数	学习 CUDA 的并行线程层次结构，以及如何扩展并行程序在 GPU 上启动大规模并行自定义 CUDA 核函数利用 CUDA 原子操作避免并行执行期间的竞争状况
有效使用内存子系统	学习创建多维网格以及如何在 2D 矩阵上并行工作在重塑 2D 矩阵时，利用 GPU 设备上的共享内存来促进内存合并
课程总结	使用 CUDA 的并行计算模型 Python 的 CUDA 编程性能提升的策略和方法

报公开课

要内训

991 次浏览

34 次

其他人还看了课程

机器学习理论与实战 2968 次浏览

GPU和CUDA并行计算应用程序开发 38 次浏览

机器学习(深度学习)算法和应用 2601 次浏览

图数据库与知识图谱应用实践 118 次浏览

人工智能，机器学习和深度学习 27361 次浏览

大模型原理与实战 242 次浏览

最新活动计划

MBSE（基于模型的系统工程）4-18[北京]

自然语言处理（NLP） 4-25[北京]

基于 UML 和EA进行分析设计 4-29[北京]

以用户为中心的软件界面设计 5-16[北京]

DoDAF规范、模型与实例 5-23[北京]

信息架构建模（基于UML+EA）5-29[北京]