這篇博客是NVIDIA付費的課程內(nèi)容LZ自己進行了個格式排列和一些代碼的梳理感覺還是非常有用的一個課程有興趣的小伙伴可以自行去學(xué)習(xí)LZ也作為整理畢竟課程是有一定有效期的過了就沒法使用(≧▽≦)/啦啦啦C/C加速計算的基礎(chǔ)借助您現(xiàn)在掌握的技術(shù)和工具您離準(zhǔn)備好開始加速自己的實際應(yīng)用程序近在咫尺了。本節(jié)將為您提供以下詳細(xì)信息a. 設(shè)置自己的CUDA環(huán)境b. 如何最好地在開發(fā)加速應(yīng)用程序方面繼續(xù)學(xué)習(xí)c. 解決另外一個供練習(xí)用的問題d. 其它有用的資源一、設(shè)置一個擁有CUDA的環(huán)境為您自己的工作設(shè)置CUDA環(huán)境的兩種最簡單的方法是1.通過云服務(wù)商2.在您自己的裝有NVIDIA GPU的系統(tǒng)上安裝CUDA1. 通過云服務(wù)商所有主要的云服務(wù)商都提供支持NVIDIA GPU的實例。在網(wǎng)上簡單地搜索 “NVIDIA GPU 您選擇的云服務(wù)商” 就能很容易地找到一條如何在你選擇的云里配置這樣一個實例的結(jié)果。這些實例都安裝有CUDA工具包。您只需使用SSH進入這些實例就可以開始工作了。2. 你自己的系統(tǒng)如果您可以訪問具有NVIDIA GPU但尚未安裝CUDA工具包的系統(tǒng)那么只需按照此處的說明在您的特定操作系統(tǒng)上下載和安裝CUDA。二、繼續(xù)開發(fā)您的加速計算的應(yīng)用程序在建立了自己的加速系統(tǒng)之后一件能進一步增強您作為加速計算程序員的能力的非常好的事情就是加速您自己的應(yīng)用程序。此外,1. 努力加速您自己的應(yīng)用程序您已經(jīng)學(xué)會了如何根據(jù)程序性能分析的結(jié)果以迭代的方式實現(xiàn)計算的不斷加速因此1.對您正在使用的計算密集型應(yīng)用程序進行一些基準(zhǔn)性能測量2.對于何處可以進行加速做一些假設(shè)3.對可能的可加速部分做一些簡單直觀的改變4.再一次評估性能并重復(fù)上述過程2. 閱讀并應(yīng)用CUDA C最佳實踐指南介紹的技術(shù)雖然您已能夠提高原本僅在CPU上運行的應(yīng)用程序的性能但您可以把加速計算再提高一步。CUDA C最佳實踐指南是一個有效的CUDA編程的基本資源。在以您已學(xué)過的方式加速自己的應(yīng)用程序之后可以開始研究一下本文檔并應(yīng)用其描述的技術(shù)以進一步提高應(yīng)用程序的性能。三、GPU加速的實踐應(yīng)用到目前為止最佳做法是加速您自己的應(yīng)用程序但對于那些可能還沒有真實用例的人請嘗試加速以下Mandelbrot Set模擬器。按照慣例請采用迭代和性能分析驅(qū)動的方法。Mandelbrot Set Simulator這個C 模擬器包含一個指向應(yīng)用程序詳細(xì)說明的鏈接可以讓您直觀地看到GPU加速的影響。有用的資源許多非常有才華的程序員使用CUDA創(chuàng)建高度優(yōu)化的庫用于加速計算。在您自己的應(yīng)用程序中有許多場景需要編寫自己的CUDA代碼不過在編程中通常還有許多場景其他人已經(jīng)為您編寫好代碼了。請仔細(xì)閱讀GPU加速計算庫了解在何處可以使用高度優(yōu)化的CUDA庫執(zhí)行諸如基本的線性代數(shù)求解器BLAS、圖形分析、快速傅里葉變換FFT、隨機數(shù)生成RNG以及圖像和信號處理等任務(wù)。四、Environment Quick StartThis is a quick-start for users who just want to get going.Use the nvidia AMI on AWS ( 10 minutes):https://github.com/NVIDIA/nvidia-docker/wiki/Deploy-on-Amazon-EC2Get started with nvidia-docker (5 minutes):https://github.com/NVIDIA/nvidia-dockerGet started with the CUDA development image (5 minutes):“docker pull nvidia/cuda:9.1-devel”https://hub.docker.com/r/nvidia/cuda/