GPU并行计算与CUDA编程视频教程

天亮说晚安

课程介绍：
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。
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
, H" s, g4 m3 v$ M) a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。
: i2 _: b6 [6 {
授课对象：
9 e4 C9 V. }; Y% |对并行计算，GPU编程刚兴趣的同学，熟悉C/C++编程语言。
1 p: m8 Q$ E# ~: a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。
; [1 F$ x6 C$ k) m2 x) m3 ]! g
4 I0 X' R& d6 [课程环境：
: d. h3 q" p+ q$ {% _9 [3 N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
: I* k7 N& b% M/ m编程语言：C/C++
使用软件：CUDA7.5  

# W6 t3 Y3 j0 x4 N5 b; _! s6 K收获预期：
! ~0 M% D8 _9 A) M4 D' Z" D4 K" x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。

. u4 ?8 A! ]  V3 Q课程目录:
, C4 @3 A/ v. E一. GPU与CUDA背景基础介绍
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
1 M( H( r2 p$ K1 Z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

% _2 k' v2 i" l$ i: i二. CUDA编程基础
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
第4课 CUDA执行模式、线程调度、内核执行和CUDA存储器的使用
( `; e' n* w9 Z) Z, k, P第5课 CUDA流处理器簇、多GPU编程、纹理操作

  [4 `' H' u" d$ _; L三. CUDA性能优化与设计
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
% U6 i. b% S& l. S9 W* K& v第8课 在集群中使用CUDA

/ K8 L: f  R6 [( f# u四. 实战项目经验
, P; `4 _5 z/ @7 B' C8 V第9课 应用CUDA做高维数据处理
. H8 O; d& }1 {8 B( x/ Y9 Z  a0 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
8 z- _) A/ Q( G! k; `第12课 深度学习框架中的GPU应用

0 C& ^& j8 X& l; M" o, B7 ]