Cálculo práctico en la GPU con Python

Opiniones de los lectores

El libro presenta una historia detallada de la tecnología de CPU y GPU, pero se queda corto a la hora de proporcionar información útil y conocimientos prácticos relacionados con el GPU Computing y la programación. Carece de enfoque y no cubre adecuadamente los conceptos de programación.

Contexto histórico de la CPU y la GPU claro y bien escrito; incluye ejemplos prácticos al final del libro para utilizar Pytorch y otros módulos.

⬤ Demasiado centrado en hechos históricos con poca información útil o habilidades de programación
⬤ el primer 30% del libro es innecesario
⬤ carece de una cobertura en profundidad de CUDA y PyCUDA
⬤ no es adecuado para lectores que buscan mejorar sus habilidades de programación.

(basado en 1 opiniones de lectores)

Título original:

Hands-On GPU Computing with Python

Contenido del libro:

Explore el entorno programable habilitado para la GPU para el aprendizaje automático, las aplicaciones científicas y los juegos utilizando PuCUDA, PyOpenGL y Anaconda Accelerate Características principales Comprenda las estrategias de sincronización eficaces para un procesamiento más rápido utilizando las GPU Escriba scripts de procesamiento paralelo con PyCuda y PyOpenCL Aprenda a utilizar las bibliotecas CUDA como CuDNN para el aprendizaje profundo en las GPU Descripción del libro

Las GPU están demostrando ser excelentes soluciones de cálculo paralelo de propósito general para tareas de alto rendimiento como el aprendizaje profundo y el cálculo científico.

Este libro será su guía para iniciarse en el GPU computing. Comenzará con una introducción al GPU computing y explicará la arquitectura y los modelos de programación de las GPU. Aprenderás, mediante ejemplos, a realizar programación en la GPU con Python, y verás cómo utilizar integraciones como PyCUDA, PyOpenCL, CuPy y Numba con Anaconda para diversas tareas como el aprendizaje automático y la minería de datos. Más adelante, te familiarizarás con los flujos de trabajo, la gestión y el despliegue de GPU utilizando modernas soluciones de contenedorización. Hacia el final del libro, se familiarizará con los principios de la computación distribuida para entrenar modelos de aprendizaje automático y mejorar la eficiencia y el rendimiento.

Al final de este libro, serás capaz de configurar un ecosistema de GPU para ejecutar aplicaciones complejas y modelos de datos que exigen grandes capacidades de procesamiento, y serás capaz de gestionar eficientemente la memoria para computar tu aplicación con eficacia y rapidez. Lo que aprenderás Utilizar librerías y frameworks de Python para la aceleración en la GPU Configurar un entorno de aprendizaje automático programable en la GPU en tu sistema con Anaconda Implantar tu sistema de aprendizaje automático en contenedores en la nube con ejemplos ilustrados Explorar PyCUDA y PyOpenCL y compararlos con plataformas como CUDA, OpenCL y ROCm. Realice tareas de minería de datos con modelos de aprendizaje automático en GPU Amplíe sus conocimientos sobre GPU computing en aplicaciones científicas A quién va dirigido este libro

Científicos de datos, entusiastas del aprendizaje automático y profesionales que quieran iniciarse en el cálculo en la GPU y realizar tareas complejas con baja latencia. Se presuponen conocimientos intermedios de programación en Python. Tabla de contenidos Introducción al GPU Computing Diseño de una estrategia de GPU Computing Configuración de una plataforma de GPU Computing con NVIDIA y AMD Fundamentos de la programación en la GPU Configuración del entorno para la programación en la GPU Trabajo con PyCUDA Trabajo con PyOpenCL Trabajo con Anaconda y Anaconda Accelerate Containerization en plataformas habilitadas para la GPU Aprendizaje automático en la GPU: Casos de uso Aceleración de aplicaciones científicas en la GPU con Deepchem