GPU Programming with OpenCL

• Un entendimiento del lenguaje C/C++ y conceptos de programación paralela
• Conocimientos básicos de arquitectura de computadoras y jerarquía de memoria
• Experiencia con herramientas de línea de comandos y editores de código

Publido Objetivo

• Desarrolladores que desean aprender a utilizar OpenCL para programar dispositivos heterogéneos y aprovechar su paralelismo
• Desarrolladores que deseen escribir código portable y escalable que pueda ejecutarse en diferentes plataformas y dispositivos
• Programadores que desean explorar los aspectos de bajo nivel del programación heterogénea y optimizar el rendimiento de su código

OpenCL es un estándar abierto para la programación heterogénea que permite ejecutar un código en diferentes plataformas y dispositivos, como CPUs multicore, GPU, FPGAs y otros. OpenCL expone al programador a los detalles del hardware y da un control completo sobre el proceso de paralelización. Sin embargo, esto también requiere una buena comprensión de la arquitectura del dispositivo, el modelo de memoria, el modelo de ejecución y las técnicas de optimización.

Este entrenamiento en vivo (en línea o presencial) dirigido por un instructor está destinado a desarrolladores principiantes e intermedios que desean utilizar OpenCL para programar dispositivos heterogéneos y aprovechar su paralelismo.

Al finalizar este entrenamiento, los participantes podrán:

• Configurar un entorno de desarrollo que incluya el SDK OpenCL, un dispositivo compatible con OpenCL y Visual Studio Code.
• Crear un programa básico en OpenCL que realiza la suma vectorial en el dispositivo y recupera los resultados de la memoria del dispositivo.
• Utilizar la API de OpenCL para consultar información del dispositivo, crear contextos, colas de comandos, buffers, núcleos y eventos.
• Usar el lenguaje C de OpenCL para escribir núcleos que se ejecutan en el dispositivo y manipulan datos.
• Utilizar las funciones integradas, extensiones y bibliotecas de OpenCL para realizar tareas comunes y operaciones.
• Usar los modelos de memoria del host y del dispositivo de OpenCL para optimizar transferencias de datos y accesos a la memoria.
• Utilizar el modelo de ejecución de OpenCL para controlar los elementos de trabajo, grupos de trabajo y rangos ND.
• Depurar y probar programas en OpenCL utilizando herramientas como CodeXL, Intel VTune y NVIDIA Nsight.
• Optimizar programas en OpenCL usando técnicas como la vectorización, el despliegue de bucles, memoria local y perfilado.

Formato del Curso

• Charla interactiva y discusión.
• Muchos ejercicios y práctica.
• Implementación práctica en un entorno de laboratorio vivo.

Opciones de Personalización del Curso

• Para solicitar una formación personalizada para este curso, por favor contáctenos para acordarlo.

Introducción

• ¿Qué es OpenCL?
• OpenCL vs CUDA vs SYCL
• Visión general de las características y arquitectura de OpenCL
• Configuración del entorno de desarrollo

Empezando

• Crear un nuevo proyecto OpenCL usando Visual Studio Code
• Explorar la estructura y los archivos del proyecto
• Compilar y ejecutar el programa
• Mostrar la salida utilizando printf y fprintf

API de OpenCL

• Comprender el papel de la API de OpenCL en el programa del host
• Usar la API de OpenCL para consultar información y capacidades del dispositivo
• Usar la API de OpenCL para crear contextos, colas de comandos, búferes, núcleos e eventos
• Usar la API de OpenCL para encolar comandos como lectura, escritura, copia, mapeo, desmapado, ejecución y espera
• Usar la API de OpenCL para manejar errores y excepciones

OpenCL C

• Comprender el papel del lenguaje OpenCL C en el programa del dispositivo
• Usar OpenCL C para escribir núcleos que se ejecutan en el dispositivo y manipulan datos
• Usar tipos de datos, calificadores, operadores y expresiones en OpenCL C
• Usar funciones incorporadas de OpenCL C como matemáticas, geométricas, relacionales, etc.
• Usar extensiones y bibliotecas de OpenCL C como atomics, image, cl_khr_fp16, entre otras

Modelo de Memoria de OpenCL

• Comprender la diferencia entre los modelos de memoria del host y el dispositivo
• Usar espacios de memoria de OpenCL, como global, local, constante y privada
• Usar objetos de memoria de OpenCL, como búferes, imágenes y tuberías
• Usar modos de acceso a la memoria de OpenCL, como solo lectura, solo escritura, lectura-escritura, etc.
• Usar el modelo de coherencia de memoria de OpenCL y mecanismos de sincronización

Modelo de Ejecución de OpenCL

• Comprender la diferencia entre los modelos de ejecución del host y el dispositivo
• Usar elementos de trabajo, grupos de trabajo y rangos ND para definir la paralelización
• Usar funciones de elementos de trabajo en OpenCL, como get_global_id, get_local_id, get_group_id, etc.
• Usar funciones de grupo de trabajo en OpenCL, como barrier, work_group_reduce, work_group_scan, etc.
• Usar funciones del dispositivo en OpenCL, como get_num_groups, get_global_size, get_local_size, etc.

Depuración

• Comprender los errores y bugs comunes en programas de OpenCL
• Usar el depurador de Visual Studio Code para inspeccionar variables, puntos de interrupción, pila de llamadas, etc.
• Usar CodeXL para depurar y analizar programas de OpenCL en dispositivos AMD
• Usar Intel VTune para depurar y analizar programas de OpenCL en dispositivos Intel
• Usar NVIDIA Nsight para depurar y analizar programas de OpenCL en dispositivos NVIDIA

Optimización

• Comprender los factores que afectan el rendimiento de los programas de OpenCL
• Usar tipos de datos y técnicas de vectorización en OpenCL para mejorar la eficiencia aritmética
• Usar técnicas de desenrollado de bucles y tiling de bucles en OpenCL para reducir el sobrecoste de control e incrementar la localidad
• Usar memoria local y funciones de memoria local en OpenCL para optimizar los accesos a la memoria y la ancho de banda
• Usar perfilado y herramientas de perfilado en OpenCL para medir e incrementar el tiempo de ejecución y la utilización de recursos

Resumen y Próximos Pasos