دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Hands-On GPU Computing with Python
دانلود کتاب محاسبات GPU دستی با پایتون
مشخصات کتاب
Hands-On GPU Computing with Python
ویرایش: 1st edition
نویسندگان: Bandyopadhyay. Avimanyu
سری:
ناشر: Packt Publishing
سال نشر: 2019
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 23 مگابایت
قیمت کتاب (تومان) : 57,000
کلمات کلیدی مربوط به کتاب محاسبات GPU دستی با پایتون: کتاب های الکترونیکی
در صورت تبدیل فایل کتاب Hands-On GPU Computing with Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب محاسبات GPU دستی با پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب محاسبات GPU دستی با پایتون
بررسی قابلیت‌های پردازنده‌های گرافیکی برای حل مشکلات محاسباتی با کارایی بالا ویژگی‌های کلیدی درک استراتژی‌های همگام‌سازی مؤثر برای پردازش سریع‌تر با استفاده از پردازنده‌های گرافیکی نوشتن اسکریپت‌های پردازش موازی با PyCuda و PyOpenCL آموزش استفاده از کتابخانه‌های CUDA مانند CuDNN برای یادگیری عمیق در پردازنده‌های گرافیکی شرح کتاب GPUها ثابت می‌کنند راه حل های محاسباتی موازی با هدف عمومی عالی برای کارهای با عملکرد بالا مانند یادگیری عمیق و محاسبات علمی. این کتاب راهنمای شما برای شروع کار با محاسبات GPU خواهد بود. با معرفی محاسبات GPU و توضیح معماری و مدل های برنامه نویسی GPU آغاز می شود. شما به عنوان مثال یاد خواهید گرفت که چگونه برنامه نویسی GPU را با پایتون انجام دهید و به استفاده از ادغام هایی مانند PyCUDA، PyOpenCL، CuPy و Numba با Anaconda برای کارهای مختلف مانند یادگیری ماشین و داده کاوی نگاه خواهید کرد. علاوه بر این، با استفاده از راه‌حل‌های مدرن کانتینری‌سازی، با گردش‌های کاری، مدیریت و استقرار GPU نیز آشنا خواهید شد. در پایان کتاب، با اصول محاسبات توزیع شده برای آموزش مدل های یادگیری ماشین و افزایش کارایی و عملکرد آشنا خواهید شد. تا پایان این کتاب، شما قادر خواهید بود یک اکوسیستم GPU را برای اجرای برنامه‌های کاربردی پیچیده و مدل‌های داده‌ای که به قابلیت‌های پردازشی زیادی نیاز دارند، راه‌اندازی کنید و بتوانید حافظه را به طور مؤثر مدیریت کنید تا برنامه‌تان را به‌طور مؤثر و سریع محاسبه کنید. آنچه می آموزید استفاده از کتابخانه ها و چارچوب های پایتون برای شتاب پردازنده گرافیکی با Anaconda یک محیط یادگیری ماشین قابل برنامه ریزی با قابلیت GPU را در سیستم خود راه اندازی کنید سیستم یادگیری ماشین خود را روی ظروف ابری با مثال های مصور مستقر کنید PyCUDA و PyOpenCL را کاوش کنید و آنها را با پلتفرم هایی مانند CUDA مقایسه کنید. ، OpenCL و ROCm. انجام وظایف داده کاوی با مدل های یادگیری ماشین در GPU ها دانش خود را در مورد محاسبات GPU در برنامه های علمی گسترش دهید این کتاب برای دانشمندان داده، علاقه مندان به یادگیری ماشین یا متخصصانی است که می خواهند با محاسبات GPU شروع کنند و کارهای پیچیده را با تاخیر کم انجام دهند. این کتاب را مفید خواهد یافت. دانش برنامه نویسی پایتون در حد متوسط فرض شده است.
توضیحاتی درمورد کتاب به خارجی
Explore the capabilities of GPUs for solving high performance computational problems Key Features Understand effective synchronization strategies for faster processing using GPUs Write parallel processing scripts with PyCuda and PyOpenCL Learn to use CUDA libraries such as CuDNN for deep learning on GPUs Book Description GPUs are proving to be excellent general purpose-parallel computing solutions for high-performance tasks such as deep learning and scientific computing. This book will be your guide to getting started with GPU computing. It begins by introducing GPU computing and explaining the GPU architecture and programming models. You will learn, by example, how to perform GPU programming with Python, and look at using integrations such as PyCUDA, PyOpenCL, CuPy, and Numba with Anaconda for various tasks such as machine learning and data mining. In addition to this, you will get to grips with GPU workflows, management, and deployment using modern containerization solutions. Toward the end of the book, you will get familiar with the principles of distributed computing for training machine learning models and enhancing efficiency and performance. By the end of this book, you will be able to set up a GPU ecosystem for running complex applications and data models that demand great processing capabilities, and be able to efficiently manage memory to compute your application effectively and quickly. What you will learn Utilize Python libraries and frameworks for GPU acceleration Set up a GPU-enabled programmable machine learning environment on your system with Anaconda Deploy your machine learning system on cloud containers with illustrated examples Explore PyCUDA and PyOpenCL and compare them with platforms such as CUDA, OpenCL, and ROCm. Perform data mining tasks with machine learning models on GPUs Extend your knowledge of GPU computing in scientific applications Who this book is for Data scientists, machine learning enthusiasts, or professionals who want to get started with GPU computation and perform the complex tasks with low-latency will find this book useful. Intermediate knowledge of Python programming is assumed.
