مشخصات کتاب

Julia high performance : optimizations, distributed computing, multithreading, and GPU programming with Julia 1.0 and beyond

ویرایش: Second 
نویسندگان: Avik Sengupta,  Alan Edelman  
سری:  
ISBN (شابک) : 9781788292306, 1788292308 
ناشر:  
سال نشر: 2019 
تعداد صفحات: 210 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

در صورت تبدیل فایل کتاب Julia high performance : optimizations, distributed computing, multithreading, and GPU programming with Julia 1.0 and beyond 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 Julia با کارایی بالا: بهینه سازی ها، محاسبات توزیع شده، چند رشته ای و برنامه نویسی GPU با Julia 1.0 و بالاتر 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 Julia با کارایی بالا: بهینه سازی ها، محاسبات توزیع شده، چند رشته ای و برنامه نویسی GPU با Julia 1.0 و بالاتر

طراحی و توسعه برنامه‌های با کارایی بالا در Julia 1.0 ویژگی‌های کلیدی یادگیری ویژگی‌های کد جولیا با کارایی بالا استفاده از قدرت GPU برای نوشتن کدهای عددی کارآمد سرعت محاسبات خود را با کمک چند رشته‌ای حافظه مشترک تازه معرفی‌شده در Julia 1.0Book Description Julia یک زبان برنامه نویسی پویا سطح بالا و با کارایی بالا برای محاسبات عددی است. اگر می خواهید بدانید که چگونه از تنگناها جلوگیری کنید و برنامه های خود را برای بالاترین عملکرد ممکن طراحی کنید، پس این کتاب برای شما مناسب است. این کتاب با نحوه استفاده جولیا از اطلاعات نوع برای دستیابی به اهداف عملکرد خود و نحوه استفاده از چندین ارسال برای کمک به کامپایلر در انتشار کد ماشین با کارایی بالا شروع می‌شود. پس از آن، نحوه تجزیه و تحلیل برنامه های جولیا و شناسایی مسائل مربوط به زمان و مصرف حافظه را یاد خواهید گرفت. ما به شما آموزش می دهیم که چگونه از امکانات تایپ جولیا به طور دقیق برای نوشتن کدهای با کارایی بالا استفاده کنید و توضیح می دهیم که چگونه کامپایلر جولیا از اطلاعات نوع برای ایجاد کد سریع ماشین استفاده می کند. با حرکت رو به جلو، بر محدودیت های طراحی مسلط خواهید شد و یاد خواهید گرفت که چگونه از قدرت GPU در کد جولیا خود استفاده کنید و کد جولیا را مستقیماً در GPU کامپایل کنید. سپس، یاد خواهید گرفت که چگونه وظایف و IO ناهمزمان به شما در ایجاد برنامه‌های پاسخگو و نحوه استفاده از چند رشته‌ای حافظه مشترک در جولیا کمک می‌کنند. در پایان، طعمی از قابلیت‌های محاسباتی توزیع‌شده جولیا و نحوه اجرای برنامه‌های جولیا در یک خوشه توزیع‌شده بزرگ را خواهید دید. تا پایان این کتاب، شما توانایی ساخت اپلیکیشن های جولیا در مقیاس بزرگ و با کارایی بالا، طراحی سیستم هایی با تمرکز بر سرعت و بهبود عملکرد برنامه های موجود را خواهید داشت. آنچه یاد خواهید گرفت درک نحوه تبدیل کد جولیا به کد ماشین اندازه گیری زمان و حافظه مصرف شده توسط برنامه های جولیا ایجاد کد سریع ماشین با استفاده از اطلاعات نوع جولیا تعریف و فراخوانی توابع بدون به خطر انداختن عملکرد جولیا تسریع کد خود از طریق وظایف GPUUse و IO ناهمزمان برای برنامه های پاسخگوRun Julia این کتاب برای برنامه نویسان مبتدی و متوسط ​​جولیا است که به برنامه نویسی فنی با کارایی بالا علاقه مند هستند. دانش اولیه برنامه نویسی جولیا فرض می شود.

توضیحاتی درمورد کتاب به خارجی

Design and develop high-performance programs in Julia 1.0 Key FeaturesLearn the characteristics of high-performance Julia codeUse the power of the GPU to write efficient numerical codeSpeed up your computation with the help of newly introduced shared memory multi-threading in Julia 1.0Book Description Julia is a high-level, high-performance dynamic programming language for numerical computing. If you want to understand how to avoid bottlenecks and design your programs for the highest possible performance, then this book is for you. The book starts with how Julia uses type information to achieve its performance goals, and how to use multiple dispatches to help the compiler emit high-performance machine code. After that, you will learn how to analyze Julia programs and identify issues with time and memory consumption. We teach you how to use Julia's typing facilities accurately to write high-performance code and describe how the Julia compiler uses type information to create fast machine code. Moving ahead, you'll master design constraints and learn how to use the power of the GPU in your Julia code and compile Julia code directly to the GPU. Then, you'll learn how tasks and asynchronous IO help you create responsive programs and how to use shared memory multithreading in Julia. Toward the end, you will get a flavor of Julia's distributed computing capabilities and how to run Julia programs on a large distributed cluster. By the end of this book, you will have the ability to build large-scale, high-performance Julia applications, design systems with a focus on speed, and improve the performance of existing programs. What you will learnUnderstand how Julia code is transformed into machine codeMeasure the time and memory taken by Julia programs Create fast machine code using Julia's type information Define and call functions without compromising Julia's performance Accelerate your code via the GPUUse tasks and asynchronous IO for responsive programsRun Julia programs on large distributed clustersWho this book is for This book is for beginners and intermediate Julia programmers who are interested in high-performance technical programming. A basic knowledge of Julia programming is assumed.

فهرست مطالب

Cover
Title Page
Copyright and Credits
Dedication
About Packt
Foreword
Contributors
Table of Contents
Preface
Chapter 1: Julia is Fast
	Julia – fast and dynamic
	Designed for speed
		JIT and LLVM
		Types, type inference, and code specialization
	How fast can Julia be?
	Summary
Chapter 2: Analyzing Performance
	Timing Julia functions
		The @time macro
		Other time macros
	The Julia profiler
		Using the profiler
		ProfileView
		Using Juno for profiling
		Using TimerOutputs
	Analyzing memory allocation
		Using the memory allocation tracker
	Statistically accurate benchmarking
		Using BenchmarkTools.jl
	Summary
Chapter 3: Types, Type Inference, and Stability
	The Julia type system
		Using types
		Multiple dispatch
		Abstract types
		Julia's type hierarchy
		Composite and immutable types
		Type parameters
		Type inference
	Type-stability
		Definitions
		Fixing type instability
		The performance pitfalls
		Identifying type stability
		Loop variables
	Kernel methods and function barriers
	Types in storage locations
		Arrays
		Composite types
		Parametric composite types
	Summary
Chapter 4: Making Fast Function Calls
	Using globals
		The trouble with globals
		Fixing performance issues with globals
	Inlining
		Default inlining
		Controlling inlining
		Disabling inlining
		Constant propagation
	Using macros for performance
		The Julia compilation process
		Using macros
		Evaluating a polynomial
		Horner's method
		The Horner macro
	Generated functions
		Using generated functions
		Using generated functions for performance
		Using keyword arguments
	Summary
Chapter 5: Fast Numbers
	Numbers in Julia, their layout, and storage
		Integers
		Integer overflow
		BigInt
		The floating point
		Floating point accuracy
		Unsigned integers
	Trading performance for accuracy
		The @fastmath macro
		The K-B-N summation
	Subnormal numbers
		Subnormal numbers to zero
	Summary
Chapter 6: Using Arrays
	Array internals in Julia
		Array representation and storage
		Column-wise storage
			Adjoints
		Array initialization
	Bounds checking
		Removing the cost of bounds checking
		Configuring bound checks at startup
	Allocations and in-place operations
		Preallocating function output
			sizehint!
		Mutating functions
	Broadcasting
	Array views
	SIMD parallelization (AVX2, AVX512)
		SIMD.jl
	Specialized array types
		Static arrays
		Structs of arrays
	Yeppp!
	Writing generic library functions with arrays
	Summary
Chapter 7: Accelerating Code with the GPU
	Technical requirements
	Getting started with GPUs
	CUDA and Julia
	CuArrays
		Monte Carlo simulation on the GPU
		Writing your own kernels
		Measuring GPU performance
		Performance tips
			Scalar iteration
			Combining kernels
			Processing more data
	Deep learning on the GPU
	ArrayFire
	Summary 
Chapter 8: Concurrent Programming with Tasks
	Tasks
	Using tasks
		The task life cycle
		task_local_storage
	Communicating between tasks
		Task iteration
	High-performance I/O
		Port sharing for high-performance web serving
	Summary
Chapter 9: Threads
	Threads
		Measuring CPU cores
		Hwloc
		Starting threads
		The @threads macro
			Prefix sum
	Thread safety and synchronization primitives
		Multithreaded Monte Carlo simulation
		Atomics
		Synchronization primitives
		Threads and GC
	Threaded libraries
		Over-subscription
	The future of threading
	Summary
Chapter 10: Distributed Computing with Julia
	Creating Julia clusters
		Starting a cluster
		Cluster managers
			SSHManager
			SLURM
		Communication between Julia processes
	Programming parallel tasks
		The @everywhere macro
		The @spawn macro
		The @spawnat macro
		Parallel for loops
		Parallel map
		Distributed Monte Carlo
		Distributed arrays
			Conway's Game of Life
	Shared arrays
		Parallel prefix sum with shared arrays
	Summary
Licences
Other Books You May Enjoy
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Health Systems Confront Poverty (Public Health Case Studies)

دانلود کتاب Jagdgeschwader 53 'Pik-As' Bf 109 Aces of 1940 (Aircraft of the Aces 132)

دانلود کتاب The Employer's Legal Handbook (Employer's Legal Handbook, 4th ed)

دانلود کتاب Sleepless Nights

دانلود کتاب Основи вчення про ноосферу. Курс лекцій