| Liczba godzin: |
9
|
| Limit miejsc: |
(brak limitu) |
| Zaliczenie: |
Zaliczenie na ocenę |
| Rygory zaliczenia zajęć: |
zaliczenie na ocenę
|
| Literatura uzupelniająca: |
1. Programming massively parallel processors: a hands-on approach,
David B. Kirk, Wen-mei W. Hwu., Morgan Kaufmann Publ., 2010.
2. Guerraoui R., Rodrigues L. Introduction to Reliable Distributed
Programming, Springer-Verlag, 2006
|
| Metody dydaktyczne: |
ćwiczenia laboratoryjne
|
| Literatura: |
1. Sztuka programowania wieloprocesorowego, Maurice Herlihy, Nir Shavit ; przekł. z jęz. Ang.: Maciej Baranowski, PWN, 2010
2. M. Ben-Ari, Podstawy programowania współbieżnego i rozproszonego, WNT, 1990
|
| Efekty uczenia się: |
U1. Potrafi pozyskiwać informacje z internetu, literatury, baz danych i innych źródeł niezbędne w nowej oraz szybko rozwijającej się dziedzinie przetwarzania równoległego. (K_U01)
U2. Ma umiejętność zrównoleglania prostych algorytmów obliczeniowych. (K_U07)
U3. Student potrafi wykorzystać karty GPU i język CUDA C do stworzenia prostego programu wykonującego obliczenia metodami równoległymi i rozproszonymi. (K_U07)
U4. Potrafi zmodyfikować kod programu w języku CUDA C celem optymalizacji wykorzystania zasobów sprzętowych kart GPU w przetwarzaniu równoległym i rozproszonym. (K_U011)
|
| Metody i kryteria oceniania: |
kolokwium zaliczeniowe (praca na komputerze i platformch zdalnych)
|
| Zakres tematów: |
Zapoznanie studentów ze sprzętem firmy NVIDIA. Wprowadzenie do narzędzia NVIDIA GPU Computing platform.
Studenci wykonują praktyczne zadania programowania w języku CUDA C. Zadania są następujące: konfigurowanie środowiska IDE dla programowania w języku CUDA C; uruchamianie pierwszego programu w CUDA ("Hello world "); uruchomienie funkcji jądra; uruchomienie kodu do testowania i wyjaśniania różnic między następującymi funkcjami języka CUDA C: funkcja jądra, funkcja hosta a funkcja urządzenia (słowa kluczowe: _global_, _device_, _host_); uruchomienie kodu do testowania transferu danych i alokacji obszaru pamięci kart GPU (słowa kluczowe: cudaMallocManaged(), cudaMalloc (), cudaMemcpy (), cudaFree ()); kod do sprawdzania właściwości urządzenia GPU za pomocą funkcji cudaGetDeviceCount i cudaGetDeviceProperties; uruchamianie kodu wykonującego operację dodawania wektorów za pomocą bloków, obliczenia wykonywane równolegle; uruchomienie kodu do dodawania wektorów z wykorzystaniem wątków; uruchomienie kodu, dla wyliczenia iloczynu skalarnego dwóch wektorów z użyciem pamięci współdzielonej (słowo kluczowe: _shared_).
|
