Programación de GPU con CUDA

Introducción

• ¿Qué es CUDA?
• CUDA vs OpenCL vs SYCL
• Visión general de las funciones y arquitectura de CUDA
• Configuración del entorno de desarrollo

Primeros pasos

• Creación de un nuevo proyecto de CUDA utilizando Visual Studio Code
• Exploración de la estructura del proyecto y los archivos
• Compilación y ejecución del programa
• Visualización de la salida utilizando printf y fprintf

API de CUDA

• Comprensión del rol de la API de CUDA en el programa del host
• Uso de la API de CUDA para consultar información y capacidades del dispositivo
• Uso de la API de CUDA para asignar y desasignar memoria del dispositivo
• Uso de la API de CUDA para copiar datos entre el host y el dispositivo
• Uso de la API de CUDA para lanzar kernels y sincronizar hilos
• Uso de la API de CUDA para manejar errores y excepciones

CUDA C/C++

• Comprensión del rol de CUDA C/C++ en el programa del dispositivo
• Uso de CUDA C/C++ para escribir kernels que se ejecuten en la GPU y manipulen datos
• Uso de tipos de datos, calificadores, operadores y expresiones en CUDA C/C++
• Uso de funciones integradas de CUDA C/C++, como matemáticas, atómicas, warp, etc.
• Uso de variables integradas de CUDA C/C++, como threadIdx, blockIdx, blockDim, etc.
• Uso de bibliotecas de CUDA C/C++, como cuBLAS, cuFFT, cuRAND, etc.

Modelo de Memoria de CUDA

• Comprensión de la diferencia entre los modelos de memoria del host y del dispositivo
• Uso de espacios de memoria de CUDA, como global, compartida, constante y local
• Uso de objetos de memoria de CUDA, como punteros, matrices (arrays), texturas y superficies
• Uso de modos de acceso a la memoria de CUDA, como solo lectura, solo escritura, lectura-escritura, etc.
• Uso del modelo de consistencia de memoria de CUDA y mecanismos de sincronización

Modelo de Ejecución de CUDA

• Comprensión de la diferencia entre los modelos de ejecución del host y del dispositivo
• Uso de hilos, bloques y cuadrículas (grids) de CUDA para definir el paralelismo
• Uso de funciones de hilo de CUDA, como threadIdx, blockIdx, blockDim, etc.
• Uso de funciones de bloque de CUDA, como __syncthreads, __threadfence_block, etc.
• Uso de funciones de cuadrícula de CUDA, como gridDim, gridSync, grupos cooperativos (cooperative groups), etc.

Depuración

• Comprensión de los errores y fallos comunes en programas de CUDA
• Uso del depurador de Visual Studio Code para inspeccionar variables, puntos de interrupción, pila de llamadas, etc.
• Uso de CUDA-GDB para depurar programas de CUDA en Linux
• Uso de CUDA-MEMCHECK para detectar errores de memoria y fugas
• Uso de NVIDIA Nsight para depurar y analizar programas de CUDA en Windows

Optimización

• Comprensión de los factores que afectan el rendimiento de los programas de CUDA
• Uso de técnicas de coalescencia de CUDA para mejorar el flujo de memoria
• Uso de técnicas de caché y preobtención (prefetching) de CUDA para reducir la latencia de memoria
• Uso de técnicas de memoria compartida y local de CUDA para optimizar los accesos a la memoria y el ancho de banda
• Uso de herramientas de perfilado (profiling) y perfilado de CUDA para medir y mejorar el tiempo de ejecución y la utilización de recursos