فلش‌کارت‌های آموزشی تسریع الگوریتم‌های علمی با قدرت GPU: از مبانی تا کاربرد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسریع الگوریتم‌های علمی با قدرت GPU: از مبانی تا کاربرد

موضوع کلی: محاسبات علمی و مهندسی

موضوع میانی: پردازش موازی

📋 سرفصل‌های دوره

• 1. در اینجا 100 سرفصل برای دوره آموزشی "تسریع الگوریتم‌های علمی با قدرت GPU: از مبانی تا کاربرد" با الهام از کتاب "پردازش موازی در پردازنده‌های گرافیکی (GPU)" آورده شده است:
• 2. مقدمه‌ای بر محاسبات علمی و مهندسی
• 3. اهمیت تسریع محاسبات در علم و مهندسی
• 4. چالش‌های محاسبات موازی
• 5. مقدمه‌ای بر پردازنده‌های گرافیکی (GPU)
• 6. معماری اصلی GPU
• 7. تفاوت CPU و GPU
• 8. انواع هسته‌های پردازشی در GPU
• 9. حافظه GPU و انواع آن
• 10. مدل برنامه‌نویسی CUDA
• 11. تاریخچه و تکامل CUDA
• 12. محیط توسعه CUDA (CUDA Toolkit)
• 13. اولین برنامه CUDA: Hello World
• 14. مفاهیم اصلی در CUDA: هسته‌ها (Kernels)
• 15. رشته‌ها (Threads)، بلوک‌ها (Blocks) و شبکه‌ها (Grids)
• 16. مدیریت حافظه در CUDA
• 17. حافظه سراسری (Global Memory)
• 18. حافظه مشترک (Shared Memory)
• 19. حافظه ثابت (Constant Memory)
• 20. حافظه محلی (Local Memory)
• 21. ثبات‌ها (Registers)
• 22. مدیریت حافظه پویا (Dynamic Memory Allocation)
• 23. کپی داده بین CPU و GPU
• 24. همگام‌سازی رشته‌ها در بلوک‌ها
• 25. همگام‌سازی بین بلوک‌ها
• 26. مدیریت دستگاه‌های CUDA
• 27. انتخاب دستگاه CUDA
• 28. اجرای هسته‌ها بر روی دستگاه‌های مختلف
• 29. مدیریت رویدادها (Events) در CUDA
• 30. اندازه‌گیری عملکرد در CUDA
• 31. بهینه‌سازی استفاده از حافظه سراسری
• 32. کاهش پهنای باند حافظه
• 33. استفاده از حافظه مشترک برای دسترسی مکرر
• 34. الگوهای دسترسی به حافظه مشترک
• 35. بانک‌های حافظه مشترک و تداخل (Bank Conflicts)
• 36. بهینه‌سازی استفاده از ثبات‌ها
• 37. مدیریت حافظه پویا در زمان اجرا
• 38. تخصیص و آزادسازی حافظه سراسری
• 39. استفاده از حافظه ثابت برای داده‌های خواندنی
• 40. کاهش ارتباطات CPU-GPU
• 41. استفاده از جریان‌های CUDA (CUDA Streams)
• 42. اجرای غیر همزمان (Asynchronous Execution)
• 43. ترکیب محاسبات و انتقال داده
• 44. الگوهای موازی‌سازی در CUDA
• 45. موازی‌سازی داده (Data Parallelism)
• 46. موازی‌سازی وظیفه (Task Parallelism)
• 47. الگوهای رایج در پردازش موازی GPU
• 48. الگوی نگاشت (Map)
• 49. الگوی کاهش (Reduce)
• 50. الگوی اسکن (Scan)
• 51. الگوی ضرب ماتریس (Matrix Multiplication)
• 52. پیاده‌سازی ضرب ماتریس در CUDA
• 53. بهینه‌سازی ضرب ماتریس با حافظه مشترک
• 54. استفاده از کتابخانه‌های CUDA (cuBLAS, cuFFT, cuRAND)
• 55. مقدمه‌ای بر cuBLAS
• 56. عملیات پایه‌ای در cuBLAS
• 57. ضرب ماتریس-بردار با cuBLAS
• 58. ضرب ماتریس-ماتریس با cuBLAS
• 59. مقدمه‌ای بر cuFFT
• 60. تبدیل فوریه گسسته (DFT)
• 61. تبدیل فوریه سریع (FFT)
• 62. کاربرد cuFFT در علوم
• 63. مقدمه‌ای بر cuRAND
• 64. مولدهای اعداد تصادفی در cuRAND
• 65. استفاده از cuRAND برای شبیه‌سازی‌ها
• 66. مدل برنامه‌نویسی OpenCL
• 67. تفاوت CUDA و OpenCL
• 68. مفاهیم اصلی در OpenCL
• 69. مقدمه‌ای بر برنامه‌نویسی موازی مبتنی بر GPU در Python (CuPy)
• 70. نصب و راه‌اندازی CuPy
• 71. عملیات پایه‌ای در CuPy
• 72. مقایسه CuPy و NumPy
• 73. کاربرد CuPy در پردازش تصویر
• 74. کاربرد CuPy در یادگیری عمیق
• 75. کتابخانه‌های تسریع‌کننده یادگیری عمیق (TensorFlow, PyTorch)
• 76. مبانی تسریع در TensorFlow با GPU
• 77. مبانی تسریع در PyTorch با GPU
• 78. مدل‌سازی و شبیه‌سازی در مهندسی با GPU
• 79. شبیه‌سازی دینامیک سیالات (CFD) با GPU
• 80. حل معادلات دیفرانسیل با GPU
• 81. روش‌های اجزای محدود (FEM) با GPU
• 82. پردازش سیگنال با GPU
• 83. پردازش تصویر با GPU
• 84. بینایی ماشین با GPU
• 85. یادگیری ماشین و یادگیری عمیق با GPU
• 86. شبکه‌های عصبی کانولوشنال (CNN) با GPU
• 87. شبکه‌های عصبی بازگشتی (RNN) با GPU
• 88. تشخیص اشیاء با GPU
• 89. پردازش زبان طبیعی با GPU
• 90. کاربردهای علمی پیشرفته در نجوم با GPU
• 91. کاربردهای علمی پیشرفته در فیزیک با GPU
• 92. کاربرد محاسبات علمی در پزشکی با GPU
• 93. تحلیل داده‌های بزرگ (Big Data) با GPU
• 94. ملاحظات امنیتی در محاسبات GPU
• 95. آینده محاسبات GPU در علم و مهندسی
• 96. مباحث پیشرفته در معماری GPU
• 97. پردازش ناهمگن (Heterogeneous Computing)
• 98. استفاده از GPUهای نسل جدید
• 99. برنامه‌نویسی GPU در زبان‌های دیگر (Fortran, C++)
• 100. ابزارهای پروفایلینگ پیشرفته