فیلم های آموزشی
کتاب های آموزشی
مقالات آموزشی
CUDA یک سکوی محاسباتی و مدل برنامه نویسی موازی است که توسط انویدیا برای محاسبات عمومی در پردازنده های گرافیکی اختصاصی (GPGPU) ساخته شده است. CUDA توسعه دهندگان را قادر می سازد تا با استفاده از توان پردازنده های گرافیکی، برنامه نویسی موازی را پیاده سازی کرده و محاسبات پیچیده و حجیم را با سرعت بسیار بیشتری پردازش کنند. در ادامه بیشتر در مورد CUDA و برنامه نویسی موازی با استفاده از GPU خواهیم خواند.
API های دیگری در این زمینه مانند OpenCL وجود دارند که مستقل از پلتفرم بوده و بر روی بیشتر gpu ها از جمله پردازنده های گرافیکی AMD نیز کار می کند. اما تجربه نشان داده که برای کارت های گرافیک Nvidia، پلتفرم CUDA سرعت پردازش بیشتری را ارائه می دهد. علاوه بر این CUDA دارای چندین کتابخانه کاربردی در زمینه های مختلف از جمله یادگیری عمیق است.
در سال 1996، انویدیا تلاش خود برای رقابت در بازار شتاب دهنده های سخت افزار گرافیکی یا 3D را با محصولات ضعیف آغاز کرد. در سال 1999، این شرکت اولین GPU ساخته شده به نام GeForce 256 را معرفی کرد. در آن زمان دلیل اصلی ساخت GPU، بازی های رایانه ای بودند و بعد از آن بود که از آن برای ریاضیات، علوم و مهندسی، محاسبات حجیم و … استفاده می شد.
پیدایش CUDA
در سال 2003، تیمی از محققان به سرپرستی Ian Buck ، زبانی به نام Brook را ارائه دادند که از گسترش زبان C به همراه ساختار های داده موازی توسعه یافته بود، رو نمایی کردند. بعد ها Buck به انویدیا پیوست و در سال 2006، اولین راه حل تجاری برای محاسبات همه منظوره بر روی GPU یا همان GPGPU را راه اندازی کردند.
OpenCL و CUDA
OpenCL، رقیب CUDA، در سال 2009 به منظور ارائه استانداردی برای محاسبات ناهمگن که محدود به پردازنده های AMD، Intel و Nvidia نباشد، توسط شرکت Apple و Khronos Group راه اندازی شد. در حالی که OpenCL به دلیل چند سکویی و عمومی بودن محبوب است، اما در پردازنده های Nvidia به خوبی CUDA عمل نکرده است و از بسیاری کتابخانه ها یادگیری عمیق پشتیبانی نمی کند یا فقط پس از انتشار آن توسط CUDA از آن پشتیبانی می کند.
CPU در مقابل GPU
برنامه نویسی موازی با استفاده از GPU
همانطور که گفتیم، کلمه کلیدی فناوری CUDA و GPU، محاسبات موازی است و این امر به دلیل وجود تعداد هسته های بسیار زیاد GPU ها نسبت به CPU ها می باشد. CPU به طور میانگین دارای 4 تا 8 هسته هستند، اما GPU ها به طور میانگین دارای صد ها و هزاران هسته پردازشی هستند. قدرت پردازشی یک هسته CPU بسیار بیشتر از یک هسته GPU است و به همین دلیل ما از CPU ها برای پردازش برنامه های کاربردی خود که اکثرا دارای یک فرآیند و نخ (Thread) هستند استفاده می کنیم.
محاسبات یا رایانش موازی، به اجرای هم زمان یک برنامه (که به بخش های کوچکتر تقسیم شده است) بر روی چند هسته پردازشی گفته می شود. ایده اصلی این است که فرایند حل یک مسئله را معمولا می توان به زیر وظایف کوچکتری تقسیم کرد که با اجرای هم زمان این وظایف و در نهایت هماهنگ کردن آن ها، مسئله در زمان کمتری حل خواهد شد. – ترجمه ویکی پدیا
هسته های پردازنده های GPU فقط برای پردازش Shader ها و مواردی از این قبیل در گرافیک 3 بعدی طراحی و بهینه شده اند و به همین دلیل برای پردازش برنامه هایی که نمی توان آن ها را به بخش های کوچکتری (منظور واحد های محاسباتی) تقسیم کرد، مناسب نیستند، اما می توانند برای محاسبات داده ها نیز مورد استفاده قرار گیرند و به دلیل وجود تعداد هسته های زیاد، بهترین گزینه برای برنامه نویسی و محاسبات موازی در زمینه های مختلف که در ادامه نام خواهیم برد، هستند.
زمینه های کاربرد CUDA
برنامه نویسی موازی با استفاده از GPU
همانطور که گفتیم، GPU ها برای برنامه هایی که محاسبات زیاد و سنگینی دارند، مناسب هستند. در لیست زیر، برخی از کاربرد های CUDA (به طور کلی GPU ها و رایانش موازی) را مثال زده ایم:
- محاسبات مالی
- آب و هوا، مدل سازی اقیانوس ها
- علم داده ها (Data Science)
- یادگیری عمیق و یادگیری ماشین
- صنایع نظامی و دفاعی
- طراحی به کمک صنعت (CAD) مانند دینامیک سیالات محاسباتی
- رسانه و سرگرمی: بازی های کامپیوتری، انیمیشن ها، جلوه های ویژه فیلم ها و در نتیجه نرم افزار های مربوط به آن ها. (رندر جلوه های ویژه و انیمیشن ها)
- تصویر برداری پزشکی
- صنایع نفت و گاز
- تحقیقات علمی (محاسبات و شبیه سازی های مربوط به رشته های شیمی، فیزیک، ریاضیات و …)
دیدگاه ها
سوالات پیش از ثبت نام یا نظرات خود را در مورد این پست مطرح نمایید.