Programación en GPU: OpenCL vs CUDA vs ROCm

Introducción

• ¿Qué es la programación en GPU?
• ¿Por qué utilizarla?
• Desafíos y compromisos asociados a este tipo de programación
• Principales frameworks disponibles para la programación en GPU
• Elección del framework idóneo conforme al proyecto concreto

OpenCL

• Definición y objetivo de OpenCL
• Ventajas e inconvenientes de este estándar abierto
• Configuración del entorno de desarrollo específico para OpenCL
• Desarrollo de un ejemplo básico que realice suma de vectores con este framework
• Utilización de la API para gestionar dispositivos, memoria y ejecución de kernels
• Uso del lenguaje OpenCL C para diseñar código en el entorno GPU
• Empleo de funciones integradas, variables y librerías propias de OpenCL
• Uso eficaz de espacios de memoria como global o local para optimizar accesos a datos
• Configuración del modelo ejecutivo: control sobre work-items, work-groups y rangos ND
• Técnicas de depuración y pruebas mediante herramientas como CodeXL
• Estrategias de optimización basadas en agrupación, almacenamiento en caché o análisis de rendimiento

CUDA

• Definición y objetivo del ecosistema CUDA
• Ventajas e inconvenientes asociados a la utilización de esta plataforma exclusiva para GPUs NVIDIA
• Configuración paso a paso del entorno para desarrollar con CUDA
• Desarrollo de un ejemplo básico que realice suma de vectores utilizando CUDA
• Control mediante la API sobre el hardware, memoria y actividades en paralelo
• Programación con lenguajes C/C++ orientados específicamente a CUDA
• Incorporación de funciones, variables y librerías propias del entorno
• Evaluación del uso adecuado de espacios como global o compartida para mejorar el rendimiento
• Organización lógica del paralelismo con la definición precisa de hilos, bloques y rejillas
• Depuración y análisis estructural empleando herramientas como CUDA-GDB, CUDA-MEMCHECK o NVIDIA Nsight
• Optimizaciones basadas en agrupación de accesos a memoria, prefetching y medición detallada del desempeño

ROCm

• Concepto general y utilidad práctica de la plataforma ROCm
• Ventajas e inconvenientes asociados al uso en dispositivos AMD
• Instalación y configuración del entorno específico para desarrollar con ROCm
• Realización de un ejemplo básico que sume vectores en el marco ROCm
• Gestión mediante la API tanto de hardware como de memoria o actividades paralelas
• Programación utilizando C/C++ adaptado específicamente a este entorno
• Incorporación y uso adecuado de funciones, variables y librerías del ecosistema
• Uso eficiente de espacios como global o privada para mejorar flujos de información
• Control estructural del paralelismo mediante definiciones lógicas sobre hilos, bloques y rejillas
• Depuración detallada utilizando herramientas como el Depurador ROCm o su Analizador de Rendimiento
• Técnicas de optimización para maximizar rendimientos basadas en agrupación, prefetching y perfilado

Comparativas

• Evaluación conjunta de las características operativas, eficiencia y nivel de compatibilidad entre OpenCL, CUDA y ROCm
• Determinación cualitativa y cuantitativa del rendimiento mediante métricas de referencia
• Consideraciones prácticas y buenas prácticas recomendadas para la programación en GPU
• Exploración de tendencias futuras, posibles avances tecnológicos e inconvenientes pendientes a abordar

Resumen y siguientes pasos