, ,

کتاب استفاده از GPU برای محاسبات سریع با CuPy/PyCUDA

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب استفاده از GPU برای محاسبات سریع با CuPy/PyCUDA

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر محاسبات موازی
  • 2. مقدمه‌ای بر شتاب‌دهنده‌های سخت‌افزاری
  • 3. معرفی GPU و معماری آن
  • 4. تاریخچه GPU در محاسبات
  • 5. تفاوت CPU و GPU
  • 6. مزایای استفاده از GPU برای محاسبات
  • 7. محدودیت‌های سخت‌افزاری GPU
  • 8. معرفی CUDA
  • 9. معماری CUDA
  • 10. مدل برنامه‌نویسی CUDA
  • 11. توسعه CUDA در سطح بالا
  • 12. نصب و پیکربندی CUDA Toolkit
  • 13. بررسی اولین برنامه CUDA
  • 14. ساختار Kernel در CUDA
  • 15. مدیریت حافظه در CUDA
  • 16. انواع حافظه در GPU (Global, Shared, Constant, Texture)
  • 17. مدیریت حافظه Host-Device
  • 18. کپی داده بین Host و Device
  • 19. عملیات سینکرونیزاسیون در CUDA
  • 20. مفهوم Grid, Block, Thread
  • 21. نقشه‌برداری وظایف به Threadها
  • 22. استفاده از Block ID و Thread ID
  • 23. کدنویسی موازی با C/C++ و CUDA
  • 24. توابع هسته (Kernel Functions)
  • 25. پارامترهای توابع هسته
  • 26. فراخوانی توابع هسته
  • 27. مدیریت خطا در CUDA
  • 28. بهینه‌سازی حافظه سراسری (Global Memory)
  • 29. بهینه‌سازی حافظه اشتراکی (Shared Memory)
  • 30. استفاده از حافظه اشتراکی برای کاهش دسترسی به حافظه سراسری
  • 31. الگوهای استفاده از حافظه اشتراکی
  • 32. بهینه‌سازی حافظه ثابت (Constant Memory)
  • 33. بهینه‌سازی حافظه تکسچر (Texture Memory)
  • 34. مدیریت زمان‌بندی (Scheduling) در CUDA
  • 35. جلوگیری از بن‌بست (Deadlock)
  • 36. مدیریت ریسورس‌های GPU
  • 37. چند هسته‌ای (Multiprocessing) در CUDA
  • 38. برنامه‌نویسی ناهمزمان (Asynchronous Programming) در CUDA
  • 39. مدیریت جریان (Stream) در CUDA
  • 40. استفاده از جریان برای همپوشانی محاسبات و انتقال داده
  • 41. پاراللیسم داده (Data Parallelism)
  • 42. پاراللیسم وظیفه (Task Parallelism)
  • 43. برنامه‌نویسی با CuPy
  • 44. معرفی CuPy
  • 45. تفاوت CuPy با NumPy
  • 46. نصب CuPy
  • 47. اولین برنامه CuPy
  • 48. عملیات پایه‌ای با CuPy arrays
  • 49. انتقال داده بین NumPy و CuPy
  • 50. عملیات ریاضی با CuPy
  • 51. توابع آماری با CuPy
  • 52. عملیات برداری و ماتریسی با CuPy
  • 53. reshape و transpose در CuPy
  • 54. slicing و indexing در CuPy
  • 55. broadcasting در CuPy
  • 56. محاسبات روی GPU با CuPy
  • 57. استفاده از توابع سریع CuPy
  • 58. پیاده‌سازی الگوریتم‌های پیچیده با CuPy
  • 59. بهینه‌سازی کد CuPy
  • 60. استفاده از حافظه GPU در CuPy
  • 61. مدیریت GPU Memory در CuCooky
  • 62. انتخاب GPU مناسب
  • 63. نمایش اطلاعات GPU
  • 64. تخصیص و آزادسازی حافظه GPU
  • 65. اشکال‌زدایی (Debugging) برنامه‌های CUDA
  • 66. ابزارهای اشکال‌زدایی (Nsight Compute, Nsight Systems)
  • 67. پروفایلینگ (Profiling) عملکرد GPU
  • 68. شناسایی گلوگاه‌ها (Bottlenecks)
  • 69. بهینه‌سازی بر اساس نتایج پروفایلینگ
  • 70. تکنیک‌های بهینه‌سازی عملکرد
  • 71. کاهش Thread divergence
  • 72. استفاده از Warp-level primitives
  • 73. بهینه‌سازی استفاده از Shared Memory
  • 74. استفاده از Atomic operations
  • 75. مدیریت خطای زمان اجرا (Runtime Error Handling)
  • 76. معرفی PyCUDA
  • 77. معرفی PyCUDA
  • 78. نصب PyCUDA
  • 79. اولین برنامه PyCUDA
  • 80. اجرای کد C/C++ روی GPU با PyCUDA
  • 81. تعریف و اجرای Kernels در PyCUDA
  • 82. مدیریت حافظه در PyCUDA
  • 83. انتقال داده بین Host و Device در PyCUDA
  • 84. استفاده از Device Arrays در PyCUDA
  • 85. اجرای توابع C++ تعریف شده در PyCUDA
  • 86. کامپایل و اجرای کد CUDA C++ از PyCUDA
  • 87. ارتباط PyCUDA با NumPy
  • 88. مثال‌های عملی با PyCUDA
  • 89. پیاده‌سازی الگوریتم‌های یادگیری ماشین با PyCUDA
  • 90. بهینه‌سازی شبکه‌های عصبی با PyCUDA
  • 91. استفاده از PyCUDA برای پردازش تصویر
  • 92. استفاده از PyCUDA برای پردازش سیگنال
  • 93. کاربردهای پیشرفته PyCUDA
  • 94. ترکیب CuPy و PyCUDA
  • 95. بهینه‌سازی‌های سطح پایین‌تر با PyCUDA
  • 96. مدیریت همزمان چندین GPU
  • 97. استفاده از تکنیک‌های پیشرفته حافظه GPU
  • 98. معرفی معماری‌های جدید GPU
  • 99. برنامه‌نویسی غیرهمزمان پیشرفته در CUDA
  • 100. الگوهای موازی‌سازی جدید

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب استفاده از GPU برای محاسبات سریع با CuPy/PyCUDA”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا