دانلود کتاب Hands-On GPU Programming with Python and CUDA: Explore high-performance parallel computing with CUDA
49,000 تومان
برنامه نویسی GPU دستی با پایتون و CUDA: محاسبات موازی با کارایی بالا را با CUDA کاوش کنید
| موضوع اصلی | کامپیوتر – برنامه نویسی |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Packt Publishing |
| حجم فایل | 10.01 مگابایت |
| کد کتاب | 1788993918 , 9781788993913 |
| نویسنده | Dr. Brian Tuomanen |
|---|---|
| زبان | انگلیسی |
| فرمت | EPUB |
| سال انتشار | 2018 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
As you make your way through the book, you’ll launch code directly onto the GPU and write full blown GPU kernels and device functions in CUDA C. You’ll get to grips with profiling GPU code effectively and fully test and debug your code using Nsight IDE. Next, you’ll explore some of the more well-known NVIDIA libraries, such as cuFFT and cuBLAS.
With a solid background in place, you will now apply your new-found knowledge to develop your very own GPU-based deep neural network from scratch. You’ll then explore advanced topics, such as warp shuffling, dynamic parallelism, and PTX assembly. In the final chapter, you’ll see some topics and applications related to GPU programming that you may wish to pursue, including AI, graphics, and blockchain.
By the end of this book, you will be able to apply GPU programming to problems related to data science and high-performance computing.
What you will learn
Launch GPU code directly from Python
Write effective and efficient GPU kernels and device functions
Use libraries such as cuFFT, cuBLAS, and cuSolver
Debug and profile your code with Nsight and Visual Profiler
Apply GPU programming to datascience problems
Build a GPU-based deep neuralnetwork from scratch
Explore advanced GPU hardware features, such as warp shuffling
Who this book is for
Hands-On GPU Programming with Python and CUDA is for developers and data scientists who want to learn the basics of effective GPU programming to improve performance using Python code. You should have an understanding of first-year college or university-level engineering mathematics and physics, and have some experience with Python as well as in any C-based programming language such as C, C++, Go, or Java.
ترجمه فارسی (ترجمه ماشینی)
برنامه نویسی GPU دستی با پایتون و CUDA به سرعت در حال اجراست: شما با یادگیری نحوه به کارگیری قانون Amdahl، استفاده از نمایه ساز کد برای شناسایی تنگناها در کد پایتون خود و راه اندازی یک محیط برنامه نویسی GPU مناسب شروع می کنید. سپس خواهید دید که چگونه می توان ویژگی های GPU را “پرس و جو کرد” و آرایه های داده را در حافظه خود GPU و از آن کپی کرد.
همانطور که راه خود را در این کتاب طی می کنید، کد را مستقیماً روی GPU راه اندازی می کنید و هسته های GPU و عملکردهای دستگاه را در CUDA C می نویسید. با پروفایل کد GPU به طور مؤثری آشنا می شوید و به طور کامل کد خود را با استفاده از آن آزمایش و اشکال زدایی می کنید. Nsight IDE. در مرحله بعد، تعدادی از کتابخانه های شناخته شده NVIDIA مانند cuFFT و cuBLAS را کاوش خواهید کرد.
با داشتن یک پس زمینه قوی، اکنون دانش جدید خود را برای توسعه شبکه عصبی عمیق مبتنی بر GPU خود از ابتدا به کار خواهید گرفت. سپس موضوعات پیشرفتهای را بررسی میکنید، مانند به هم زدن چرخش، موازیسازی پویا، و مونتاژ PTX. در فصل آخر، برخی از موضوعات و برنامه های کاربردی مرتبط با برنامه نویسی GPU را مشاهده خواهید کرد که ممکن است بخواهید دنبال کنید، از جمله هوش مصنوعی، گرافیک و بلاک چین.
در پایان این کتاب، شما می توانید برنامه نویسی GPU را برای مشکلات مربوط به علم داده و محاسبات با کارایی بالا به کار ببرید.
آنچه خواهید آموخت
کد GPU را مستقیماً از Python راه اندازی کنید
هسته های GPU و توابع دستگاه موثر و کارآمد را بنویسید
از کتابخانه هایی مانند cuFFT، cuBLAS و cuSolver
استفاده کنید
کد خود را با Nsight و Visual Profiler
اشکال زدایی و نمایه کنید
برنامه نویسی GPU را برای مشکلات علم داده استفاده کنید
یک شبکه عصبی عمیق مبتنی بر GPU از ابتدا بسازید
ویژگیهای سختافزار پیشرفته GPU، مانند تار و تاب کردن
را کاوش کنید
این کتاب برای چه کسانی است
برنامه نویسی Hands-On GPU با Python و CUDA برای توسعه دهندگان و دانشمندان داده است که می خواهند اصول برنامه نویسی GPU موثر را برای بهبود عملکرد با استفاده از کد پایتون یاد بگیرند. شما باید درک درستی از ریاضیات و فیزیک مهندسی در سطح کالج یا دانشگاه داشته باشید و با پایتون و همچنین در هر زبان برنامه نویسی مبتنی بر C مانند C، C++، Go، یا جاوا تجربه داشته باشید.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.