Dans cette section, nous allons configurer un environnement GPU à l'aide de Docker, trouver la documentation officielle pour Linux et installer la boîte à outils CUDA sur Ubuntu 20.04 ou 22.04 pour les workflows d'IA et d'apprentissage automatique.

Dans cette section, nous présentons les principes fondamentaux de la programmation GPU, notamment l'exécution des noyaux, l'inspection des périphériques et la mise en place d'un environnement de travail pour le développement CUDA.

Dans cette section, nous abordons l'exécution SIMD, le déplacement des données et l'addition vectorielle parallèle dans le cadre de la programmation GPU.

Dans cette section, nous abordons les configurations de threads, de blocs et de grilles sur GPU, le transfert asynchrone de données, les flux, les événements et la mémoire partagée afin d'optimiser les performances en calcul parallèle.

Dans cette section, nous abordons la conception d'algorithmes parallèles, en mettant l'accent sur les opérations matricielles, la réduction et l'équilibrage de la charge de travail pour une exécution efficace sur GPU.

Dans cette section, nous abordons l'optimisation et le profilage des GPU à l'aide de NVIDIA Nsight Compute.

Dans cette section, nous abordons le débogage du code CUDA avec VS Code, l'utilisation des flux CUDA pour superposer les opérations en mémoire et les opérations du noyau, ainsi que la configuration de plusieurs GPU pour le traitement parallèle.

Dans cette section, nous explorons les méthodes permettant d'intégrer du code C++ pour GPU à Python, en mettant l'accent sur Ctypes, les wrappers personnalisés et l'analyse des performances afin d'assurer une exécution interlangage efficace.

Dans cette section, nous abordons le développement sur GPU à l'aide de cuBLAS et Thrust, nous optimisons le code pour améliorer l'efficacité de la mémoire et des threads, et nous effectuons des tests avec GTest et Pytest afin de garantir la fiabilité et les performances.