Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

Memória e movimentação de dados em CUDA
Exercícios
1. Arquiteturas do tipo GPU (unidade de processamento gráfico) foram projetadas
para executar milhares de threads ao mesmo tempo. Entretanto, para tirar o máximo
de desempenho dessas arquiteturas, é necessário usar de forma inteligente as
memórias disponíveis.
Nesse sentido, sobre as memórias da GPU, qual é a mais rápida que o programador
tem controle para utilizar como desejar?
Você acertou!
A. Memória compartilhada (shared).
Memória compartilhada é a mais rápida que o programador  tem poder para gerenciar,
utilizando a diretiva __shared__.
Os registradores são mais  velozes,  porém o programador  não consegue decidir  quais
dados   serão   armazenados   neles.  As  memórias   do host e   global   são   as  mais   lentas
disponíveis.  Por fim, a memória constante é uma memória somente leitura, mais veloz
que a global, porém menos veloz que a memória compartilhada.
2. A memória constante da GPU é uma alternativa à memória global para armazenar
dados apenas leitura. Quando são utilizadas as linguagens C/C++ e a biblioteca
CUDA, copiam-se os dados da memória principal para a memória constante
utilizando o comando cudaMemcpyToSymbol.
Nessa linha, qual comando cria um vetor ou matriz na memória constante utilizando
Python?
Você acertou!
C. cuda.const.array_like.
O   comando   cuda.const.array_like  permite   ao   programador   alocar   um   vetor   que   será
armazenado na memória de constantes.
O   comando   syncthreads   é   utilizado   para   sincronizar   todas   as threads dentro   de   um
mesmo   bloco.  Os   comandos   cuda.threadIdx.y   e   cuda.blockDim.x   são   utilizados   para
calcular o índice que cada thread irá calcular. Por fim, o comando cuda.shared.array aloca
os dados na memória compartilhada da GPU.
3. Uma das maneiras de melhorar o desempenho de uma aplicação em CUDA que
utiliza muita memória é por meio da memória compartilhada. Essa memória é
compartilhada entre todas as threads de um mesmo bloco. Para utilizar essa
memória, o programador toma todas as decisões, desde o tamanho, o tipo e o
particionamento dos dados dentro dela.
Nesse sentido, em Python, utilizando CUDA, qual parâmetro indica o tamanho da
memória compartilhada que se deseja alocar por bloco?
Resposta correta.
D. shape.
O parâmetro que define o tamanho da memória compartilhada de cada bloco é o shape.
Por meio dele, é possível indicar o tamanho das matrizes que serão armazenadas em
cada bloco de memória compartilhada.
Os comandos dtype e argtypes indicam o tipo de dado da memória compartilhada e os
tipos dos dados dos parâmetros do kernel CUDA. Já os comandos type e attribute não
existem na biblioteca CUDA.
4. Durante o desenvolvimento de uma aplicação utilizando a biblioteca CUDA, o
programador deve decidir quais vetores e matrizes devem ser copiados da memória
da CPU para a memória da GPU, e vice-versa. Isso é feito utilizando as chamadas
to_device e copy_to_host. Entretanto, às vezes, o vetor é apenas saída, e não é
necessário copiar nenhum dado para a memória do device.
Quando isso é necessário, qual é o comando utilizado?
Resposta correta.
A. device_array_like.
Device_array_like cria um vetor ou matriz na memória do dispositivo sem copiar nenhum
dado de entrada para ele.
Os   comandos   copy   from host   e   alloc   não   existem  em CUDA.  Ademais,   o   comando
to_device copia os dados do host para o device, e o copy_to_host faz o inverso.
5. Ferramentas de profile são úteis para analisar o desempenho de aplicações
sequenciais e paralelas. No caso da primeira, é possível identificar quais partes
podem ser executadas de forma mais rápida utilizando arquiteturas paralelas. No
segundo caso, pode-se melhorar o desempenho e identificar os limitadores de
desempenho de aplicações paralelas já desenvolvidas.
Qual é o nome da ferramenta de profile que permite traçar uma timeline e verificar
todas as movimentações de dados e computações na GPU?
Você acertou!
A. Visual Profiler.
A Visual Profiler é uma ferramenta que permite traçar uma timeline e verificar todas as
movimentações   de   dados   e   computação   na  GPU.   Essa   ferramenta   de   perfilamento
permite avaliar diversos aspectos da execução de kernels na GPU.
O nvprof também é uma ferramenta de perfilamento da NVIDIA, mas só pode ser utilizado
em linha de comando. As ferramentas perf e PAPI são utilizadas para obter informações
sobre contadores de hardware tanto da CPU quanto da GPU. Por  fim, o gprof  é uma
ferramenta para analisar o desempenho de programar escritos em C, Fortran e Pascal.
	Memória e movimentação de dados em CUDA
	Exercícios

Mais conteúdos dessa disciplina