841973620/dli-c-ac-02-v1 repository overview

本教程教授使用 CUDA 和 Numba 编译器在大规模并行 GPU 上加速运行 Python 应用程序的基本工具和技能。 您将使用 GPU 支持的容器环境，学习编写由 GPU 加速器执行的代码，使用 CUDA 线程层次结构配置代码的并行化，管理和优化 CPU 和 GPU 加速器之间的内存迁移，在 GPU 上生成随机数，以及学习中级 GPU 内存管理技术等多个动手编码练习。最后，您将在原仅支持 CPU 的线性代数程序中使用从本课程中学到的工作流程对其实施加速，以获得显著的性能提升。

您将学习：

• 使用 Numba 从 NumPy 通用函数（ufuncs）编译 CUDA 核函数
• 使用 Numba 创建和启动自定义 CUDA 核函数。
• 应用关键 GPU 内存管理技术。

课程结束后，您可以了解使用 CUDA 和 Numba 实现 GPU 加速 Python 应用程序的基本工具和技能。


task1：使用 Numba 的 CUDA Python 简介
task2：使用 Numba 的 CUDA Python 的自定义核函数和内存管理
task3：有效使用内存子系统

运行：（将命令中的“*”改为对应数字）

docker run -it --rm --name task --gpus all -p 80:80 docker.841973620.net:8888/dli/c-ac-02-v1:cuda12.2-task*