GPU并行计算与CUDA编程视频教程

天亮说晚安

课程介绍：
7 ~6 i* l; O, [; _: C& w; G近年来，随着深度学习的高速发展，大数据技术的普及，接下来紧接的会普及发展的想必就是硬件层面的配合，而GPU无疑是最重要的趋势。过去几年，计算领域我们目睹了英伟达（NVIDIA）公司带来的变革。计算统一设备架构（Compute Unified Device Architecture, CUDA）编程语言的引入，第一次使这些非常强大的图形处理器为程序员日常所用，以应对日益复杂的计算工作。从嵌入式设备行业到家庭用户，再到超级计算机，所有的一切都因此而改变。
计算机软件界较大的变迁是从串行编程转向了并行编程。其中，CUDA起到了重要的作用。究其本质，图形处理单元（Graphics Processor Unit，GPU）是为高速图形处理而设计的，它具有天然的并行性。CUDA采用了一种简单的数据并行模型，再结合编程模型，从而无需操纵复杂的图形基元。
/ S. ~3 t' t* O' H1 _我们也可以轻而易举的发现各种各样的开源计算机库，例如OpenCV,Caffe,TensorFlow等等，都提供了对应于GPU的使用接口，使得GPU的使用越来越主流而高效。& K$ z) H& I5 [, q. l
本课程主要分为四部分，分别涵盖了硬件搭载知识、CUDA编程基础、CUDA性能优化与设计、实战项目经验。

2 p$ s# x9 c( H# A" Q授课对象：
对并行计算，GPU编程刚兴趣的同学，熟悉C/C++编程语言。
需要有带NVIDIA显卡的计算机，如果没有的同学可能需要额外购买AWS的GPU服务器，费用约是0.4美元/小时。

课程环境：
$ z: {) S4 _, Q& I  k8 |% f# ?7 Q硬件环境：AWS G2 Instances(NVIDIA GRID K520) / CG1 Instances(NVIDIA Tesla M2050) /自备带NVIDIA GPU的电脑;
操作系统：Linux 64bit
编程语言：C/C++
使用软件：CUDA7.5  

) j* n: T3 R. `/ J9 e$ `收获预期：
具备GPU和CUDA编程能力，可以完成初步的GPU程序设计和优化设计，对于实际应用中CUDA的使用能有全面的考虑和实操能力。
# _2 @0 Z% ~: T1 x3 G$ w2 i9 Q& G
+ w* d/ O& M( D! H' k( Q# S* N课程目录:
( [% d2 e( {* Y$ O  \: [一. GPU与CUDA背景基础介绍
' m2 G5 U/ ]1 v, x7 P$ }6 N第1课 CUDA硬件环境，体系结构，软件环境介绍，包括平台、架构、开发工具和热点技术
; E" @  c, c$ g! F  Y第2课 并行编程介绍，CUDA核心概念，包括网格、线程块，不同类型内存的工作机制

+ h- W, U! c5 J8 C& T. M二. CUDA编程基础
! I3 p5 O1 b; T& x2 ^第3课 CUDA设备内存、常量内存、共享内存和纹理内存，CUDA流和事件
' b) a# C1 c0 o1 P0 o7 @% q3 k第4课 CUDA执行模式、线程调度、内核执行和CUDA存储器的使用
第5课 CUDA流处理器簇、多GPU编程、纹理操作

6 y$ A3 V4 b( u4 h0 x1 Q3 p8 ]. G三. CUDA性能优化与设计
% X6 R9 D9 l9 z第6课 CPU/GPU协同编程，串行/并行程序中提高并行度的常用策略
第7课 流式负载以及使用GPU做应用程序性能优化常用策略
第8课 在集群中使用CUDA

" R* p$ h% `9 K! D* x' L四. 实战项目经验
第9课 应用CUDA做高维数据处理
2 s- g9 y9 A+ S第10课 CUDA+OpenGL做图形渲染
第11课 CPGPU实现视频流实时光流跟踪
第12课 深度学习框架中的GPU应用

2 x7 w. U3 x8 L, ^: h4 v