Présentation du GPU : Performances et Programmation

Cette séance de cours présente la motivation derrière l'utilisation des GPU pour le calcul, en se concentrant sur leur architecture et leur programmabilité massivement parallèles via CUDA. Il explore la tendance historique des performances des microprocesseurs et l'avantage significatif des GPU en termes de GFLOPS théorique. La séance de cours se penche sur la comparaison des performances entre les GPU NVIDIA et les processeurs Intel, soulignant les performances supérieures des GPU. Il traite également de l'architecture matérielle des GPU, des avantages de l'informatique accélérée par les GPU et des défis de la programmation GPU. La séance de cours se termine en soulignant l'importance de l'informatique parallèle aux données et du modèle de programmation CUDA.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (22)

Concepts associés (158)

MATH-454: Parallel and high-performance computing

This course provides insight into a broad variety of High Performance Computing (HPC) concepts and the majority of modern HPC architectures. Moreover, the student will learn to have a feeling about wh

Calcul distribué

Un calcul distribué, ou réparti ou encore partagé, est un calcul ou un traitement réparti sur plusieurs microprocesseurs et plus généralement sur plusieurs unités centrales informatiques, et on parle alors d'architecture distribuée ou de système distribué. Le calcul distribué est souvent réalisé sur des clusters de calcul spécialisés, mais peut aussi être réalisé sur des stations informatiques individuelles à plusieurs cœurs. La distribution d'un calcul est un domaine de recherche des sciences mathématiques et informatiques.

Parallel algorithm

In computer science, a parallel algorithm, as opposed to a traditional serial algorithm, is an algorithm which can do multiple operations in a given time. It has been a tradition of computer science to describe serial algorithms in abstract machine models, often the one known as random-access machine. Similarly, many computer science researchers have used a so-called parallel random-access machine (PRAM) as a parallel abstract machine (shared-memory).

Processeur graphique

Un processeur graphique, ou GPU (de l'anglais Graphics Processing Unit), également appelé coprocesseur graphique sur certains systèmes, est une unité de calcul assurant les fonctions de calcul d'image. Il peut être présent sous forme de circuit intégré (ou puce) indépendant, soit sur une carte graphique ou sur la carte mère, ou encore intégré au même circuit intégré que le microprocesseur général (on parle d'un SoC lorsqu'il comporte toutes les puces spécialisées).

Parallélisme (informatique)

vignette|upright=1|Un des éléments de Blue Gene L cabinet, un des supercalculateurs massivement parallèles les plus rapides des années 2000. En informatique, le parallélisme consiste à mettre en œuvre des architectures d'électronique numérique permettant de traiter des informations de manière simultanée, ainsi que les algorithmes spécialisés pour celles-ci. Ces techniques ont pour but de réaliser le plus grand nombre d'opérations en un temps le plus petit possible.

General-purpose processing on graphics processing units

GPGPU est l'abréviation de general-purpose computing on graphics processing units, c'est-à-dire calcul générique sur processeur graphique. L'objectif de tels calculs est de bénéficier de la capacité de traitement parallèle des processeurs graphiques. Avant l'arrivée des GPGPU, le CPU, processeur central de l'ordinateur, traitait la plupart des opérations lourdes en calcul comme les simulations physiques, le rendu hors-ligne pour les films, les calculs de risques pour les institutions financières, la prévision météorologique, l'encodage de fichier vidéo et son Intel avec ses 80 % de parts de marché sur les CPU dominait donc très largement tous les besoins en calcul et pouvait en extraire de substantielles marges.

GPUs: Introduction à la CUDA CS-307: Introduction to multiprocessor architecture

Présente les bases des GPU, de la programmation CUDA et de la synchronisation des threads pour les applications de calcul parallèles.

GPU : Multithreading et architecture CS-471: Advanced multiprocessor architecture

Explore l'architecture des GPU, le multithreading et leur rôle dans l'apprentissage automatique, en discutant des limites et des tendances futures.

GPU : Architecture et programmation CS-307: Introduction to multiprocessor architecture

Explore l'architecture GPU, le multithreading, les processeurs SIMD et la programmation CUDA pour l'informatique parallèle.

Hiérarchie et optimisation de la mémoire GPU CS-307: Introduction to multiprocessor architecture

Explore la hiérarchie de la mémoire GPU, les défis d'optimisation et l'efficacité de l'algorithme.

GPU : Architecture et programmation CS-307: Introduction to multiprocessor architecture

Explore l'architecture des GPU, la programmation CUDA, le traitement d'image et leur importance dans l'informatique moderne, en mettant l'accent sur le démarrage précoce et l'exactitude de la programmation GPU.