Séance de cours

Présentation du GPU : Performances et Programmation

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

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 what architectures are suited for several types of algorit ...

Description

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.

Enseignant·e·s (2)

Nicolas Richart

I graduated as an engineer in computer science in 2005 at the Ecole National Superieur en Electronique Informatique et Radiocomunication de Bordeaux (ENSEIRB). My degree is colored by an option od High Performance Computing (HPC). Then I made my thesis at LaBRI/INRIA Bordeaux in the ScalApplix/HiePACS team, on the in-situ steering of coupled parallel numerical simulations. I graduated as a Ph D. of computer science of the Universite de Bordeaux 1 in 2010. Since then I am working at EPFL in the Laboratoire de Simulations en Mechanique des Solides (LSMS) as a scientific collaborator.

Pablo Antolin Sanchez

Enseignement et PhD Doctorant·es actuel·les Philipp Christoph Weder, Davor Dobrota A co-dirigé les thèses EPFL de Ondine Chanon Cours Analysis III MATH-202(c) Le cours étudie les concepts fondamentaux de l'analyse vectorielle et de l'analyse de Fourier-Laplace en vue de leur utilisation pour résoudre des problèmes pluridisciplinaires d'ingénierie scientifique. Analysis III (for IC) MATH-203(d) Le cours étudie les concepts fondamentaux de l'analyse vectorielle et de l'analys

Source officielle

Proximité ontologique

Génie informatique

Calcul intensif: Parallélisme (informatique)

Concepts associés (32)

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.

Traitement massivement parallèle

En informatique, le traitement massivement parallèle (en anglais, massively parallel processing ou massively parallel computing) est l'utilisation d'un grand nombre de processeurs (ou d'ordinateurs distincts) pour effectuer un ensemble de calculs coordonnés en parallèle (c'est-à-dire simultanément). Différentes approches ont été utilisées pour implanter le traitement massivement parallèle. Dans cette approche, la puissance de calcul d'un grand nombre d'ordinateurs distribués est utilisée de façon opportuniste chaque fois qu'un ordinateur est disponible.

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).

Accélération matérielle

L'accélération matérielle consiste à confier une fonction spécifique effectuée par le processeur à un circuit intégré dédié qui effectuera cette fonction de façon plus efficace. Pendant longtemps, les calculs effectués par les ordinateurs grand public étaient entièrement pris en charge par le processeur central (CPU). Or, ce processeur s'avérait insuffisant dans un certain nombre de domaines. On eut l'idée de créer des circuits plus efficaces que le processeur pour ces tâches afin de le décharger.

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.

Afficher plus

Séances de cours associées (64)

GPU : Architecture et programmation

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

GPU : Architecture et programmation

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.

Multiprocesseurs : aperçu et défis

Couvre l'évolution et les défis des multiprocesseurs, en mettant l'accent sur l'efficacité énergétique, la programmation parallèle, la cohérence du cache et le rôle des GPU.

Computing Parallel: Principes et OpenMP

Couvre les principes de l'informatique parallèle et introduit OpenMP pour créer du code concurrent à partir du code série.

Modèles de cohérence de la mémoire: impact sur les performances et calcul parallèle

Couvre les modèles de cohérence de la mémoire, l'informatique parallèle, les sous-programmes atomiques, l'architecture GPU et le multithreading.

Afficher plus

Concepts associés (32)

Parallélisme (informatique)

Traitement massivement parallèle

Processeur graphique

Accélération matérielle

General-purpose processing on graphics processing units

Afficher plus