دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: برنامه نويسي ویرایش: نویسندگان: Dr. Brian Tuomanen سری: ISBN (شابک) : 9781788993913, 1788993918 ناشر: Packt Publishing سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
کلمات کلیدی مربوط به کتاب برنامه نویسی GPU با پایتون و CUDA: محاسبات موازی با عملکرد بالا را با CUDA کاوش کنید: CUDA، PYTHON، GPU
در صورت تبدیل فایل کتاب Hands-On GPU Programming with Python and CUDA: Explore high-performance parallel computing with CUDA 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 برنامه نویسی GPU با پایتون و CUDA: محاسبات موازی با عملکرد بالا را با CUDA کاوش کنید 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.
برنامه نویسی GPU دستی با پایتون و CUDA در حال اجراست: شما با یادگیری نحوه به کارگیری قانون Amdahl، استفاده از پروفایل 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 به و از حافظه خود GPU کپی کرد. همانطور که در کتاب پیش میروید، کد را مستقیماً روی GPU راهاندازی میکنید و هستههای پردازشگر گرافیکی کامل و عملکردهای دستگاه را در CUDA C مینویسید. با پروفایل کد GPU به طور مؤثری آشنا میشوید و به طور کامل کد خود را با استفاده از آن آزمایش و اشکالزدایی میکنید. 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 چرخش درهم، 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 قادر خواهید بود برنامه نویسی GPU را برای مشکلات مربوط به علم داده و محاسبات با کارایی بالا اعمال کنید. آنچه خواهید آموخت کد GPU را مستقیماً از پایتون اجرا 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 اعمال کنید یک شبکه عصبی عمیق مبتنی بر GPU از ابتدا بسازید ویژگیهای سختافزار پیشرفته GPU، مانند تار زدن را کاوش کنید این کتاب برای چه کسی 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 Java تجربه داشته باشید.
Hands-On GPU Programming with Python and CUDA hits the ground running: you'll start by learning how to apply Amdahl's Law, use a code profiler to identify bottlenecks in your Python code, and set up an appropriate GPU programming environment. You'll then see how to “query” the GPU's features and copy arrays of data to and from the GPU's own memory. 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.
Why GPU Programming? Setting Up Your GPU Programming Environment Getting Started with PyCUDA Kernels, Threads, Blocks, and Grids Streams, Events, Contexts, and Concurrency Debugging and Profiling Your CUDA Code Using the CUDA Libraries with Scikit-CUDA Draft complete The CUDA Device Function Libraries and Thrust Implementing a Deep Neural Network Working with Compiled GPU Code Performance Optimization in CUDA Where to Go from Here