| CUDA | |
|---|---|
| Tipo de | GPGPU |
| Desarrollador | Corporación NVIDIA |
| Sistema operativo | ventanas , linux |
| Primera edición | 23 de junio de 2007 |
| plataforma de hardware | GPU compatibles |
| ultima versión | 11.6 (17 de enero de 2022 ) |
| Licencia | software gratuito |
| Sitio web | desarrollador.nvidia.com/cud… |
| Archivos multimedia en Wikimedia Commons | |
CUDA (originalmente abreviado del inglés Compute unified device architecture ) es una arquitectura de hardware y software de computación paralela que le permite aumentar significativamente el rendimiento informático mediante el uso de procesadores de gráficos Nvidia .
El SDK de CUDA permite a los programadores implementar algoritmos en dialectos simplificados especiales de los lenguajes de programación C , C++ y Fortran que se pueden implementar en los procesadores de gráficos y tensor de Nvidia [1] . La arquitectura CUDA brinda al desarrollador la oportunidad de organizar el acceso al conjunto de instrucciones de un acelerador de gráficos o tensor y administrar su memoria a su discreción. Las funciones aceleradas con CUDA se pueden llamar desde varios lenguajes, incluidos Python [2] , MATLAB [3] , etc.
La versión inicial de CUDA SDK se lanzó el 15 de febrero de 2007 . La interfaz de programación de las aplicaciones CUDA se basa en el lenguaje C con algunas extensiones. Para traducir con éxito el código en este idioma, el SDK de CUDA incluye el propio compilador C de línea de comandos de Nvidia, nvcc . El compilador nvcc se basa en el compilador abierto Open64 y está diseñado para traducir el código host (principal, código de control) y el código del dispositivo (código de hardware) (archivos con la extensión .cu ) en archivos de objeto adecuados para construir el programa o biblioteca final. en cualquier entorno de programación como NetBeans .
La arquitectura CUDA utiliza el modelo de memoria de cuadrícula , el modelado de subprocesos agrupados y las instrucciones SIMD . Aplicable no solo para computación gráfica de alto rendimiento, sino también para varias computaciones científicas que utilizan tarjetas gráficas nVidia. Los científicos e investigadores usan CUDA ampliamente en varios campos, que incluyen astrofísica , biología computacional y química , modelado de dinámica de fluidos , interacciones electromagnéticas , tomografía computarizada , análisis sísmico y más. CUDA tiene la capacidad de conectarse a aplicaciones que utilizan OpenGL y Direct3D . CUDA es un software multiplataforma para sistemas operativos como Linux , Mac OS X y Windows .
El 22 de marzo de 2010, nVidia lanzó CUDA Toolkit 3.0, que contenía soporte para OpenCL [4] .
La plataforma CUDA apareció por primera vez en el mercado con el lanzamiento del chip G80 de octava generación de NVIDIA y estuvo presente en todas las series posteriores de chips gráficos utilizados en las familias de aceleradores GeForce , Quadro y NVidia Tesla .
La primera serie de hardware compatible con CUDA SDK, el G8x, tenía un procesador vectorial de precisión simple de 32 bits que usaba CUDA SDK como una API (CUDA admite doubleel tipo de lenguaje C, pero ahora su precisión se reduce a flotante de 32 bits). punto ). Los procesadores GT200 posteriores tienen soporte para precisión de 64 bits (solo SFU), pero el rendimiento es significativamente peor que para la precisión de 32 bits (debido a solo dos SFU por multiprocesador de flujo y ocho procesadores escalares). La GPU organiza el hardware multiproceso, lo que le permite utilizar todos los recursos de la GPU. Por lo tanto, se abre la posibilidad de cambiar las funciones de un acelerador físico a un acelerador de gráficos (ejemplo de implementación: PhysX ). También abre amplias oportunidades para el uso de equipos gráficos por computadora para realizar cálculos no gráficos complejos: por ejemplo, en biología computacional y otras ramas de la ciencia.
En comparación con el enfoque tradicional para organizar la computación de propósito general a través de las capacidades de las API de gráficos, la arquitectura CUDA tiene las siguientes ventajas en esta área:
La lista de dispositivos del fabricante de hardware Nvidia con soporte completo declarado para la tecnología CUDA se proporciona en el sitio web oficial de Nvidia [7] [8] .
Compatibilidad de los sistemas de desarrollo CUDA con generaciones de calculadoras:
Los siguientes periféricos actualmente admiten la tecnología CUDA en el mercado de hardware de PC:
| Versión
especificaciones |
Arquitectura | GPU | Tarjetas de video de la familia GeForce | Tarjetas de video de la familia Quadro, NVS | tarjetas de video tesla | Tarjetas de video de la familia
Tegra, |
|---|---|---|---|---|---|---|
| 1.0 | tesla | G80 | GeForce 8800 Ultra, GeForce 8800 GTX, GeForce 8800 GTS (G80) | Quadro FX 5600, Quadro FX 4600, Quadro Plex 2100 S4 | Tesla C870, Tesla D870, Tesla S870 | |
| 1.1 | G92, G94, G96, G98, G84, G86 | GeForce GTS 250, GeForce 9800 GX2, GeForce 9800 GTX, GeForce 9800 GT, GeForce 8800 GTS(G92), GeForce 8800 GT, GeForce 9600 GT, GeForce 9500 GT, GeForce 9400 GT, GeForce 8600 GTS, GeForce 8600 GT, GeForce 8500 GT , GeForce G110M, GeForce 9300M GS, GeForce 9200M GS, GeForce 9100M G, GeForce 8400M GT, GeForce G105M |
Quadro FX 4700 X2, Quadro FX 3700, Quadro FX 1800, Quadro FX 1700, Quadro FX 580, Quadro FX 570, Quadro FX 470, Quadro FX 380, Quadro FX 370, Quadro FX 370 de perfil bajo, Quadro NVS 450, Quadro NVS 420 Quadro FX 3700M, Quadro FX 3600M, Quadro FX 2800M , Quadro FX 2700M, Quadro FX 1700M, Quadro FX 1600M, Quadro FX 770M, Quadro FX 570 Quadro FX 370M, Quadro FX 360M, Quadro NVS 320M, Quadro NVS 15M, Quadro NVS 160M , Quadro NVS 140M, Quadro NVS 135M, Quadro NVS 130M, Quadro NVS 450, Quadro NVS 420, Quadro NVS 295 |
|||
| 1.2 | GT218, GT216, GT215 | GeForce GT 340*, GeForce GT 330*, GeForce GT 320*, GeForce 315*, GeForce 310*, GeForce GT 240, GeForce GT 220, GeForce 210, GeForce GTS 360M, GeForce GTS 350M, GeForce GT 335M, GeForce GT 330M, GeForce GT 325M, GeForce GT 240M, GeForce G210M, GeForce 310M, GeForce 305M |
Perfil bajo Quadro FX 380, Nvidia NVS 300, Quadro FX 1800M, Quadro FX 880M, Quadro FX 380M, Nvidia NVS 300, NVS 5100M, NVS 3100M, NVS 2100M, ION | |||
| 1.3 | GT200, GT200b | GeForce GTX 295, GTX 285, GTX 280, GeForce GTX 275, GeForce GTX 260 | Quadro FX 5800, Quadro FX 4800, Quadro FX 4800 para Mac, Quadro FX 3800, Quadro CX, Quadro Plex 2200 D2 | Tesla C1060, Tesla S1070, Tesla M1060 | ||
| 2.0 | Fermi | GF100, GF110 | GeForce GTX 590, GeForce GTX 580, GeForce GTX 570, GeForce GTX 480, GeForce GTX 470, GeForce GTX 465, GeForce GTX 480M | Quadro 6000, Quadro 5000, Quadro 4000, Quadro 4000 para Mac, Quadro Plex 7000, Quadro 5010M, Quadro 5000M | Tesla C2075, Tesla C2050/C2070, Tesla M2050/M2070/M2075/M2090 | |
| 2.1 | GF104, GF106 GF108, GF114, GF116, GF117, GF119 | GeForce GTX 560 Ti, GeForce GTX 550 Ti, GeForce GTX 460, GeForce GTS 450, GeForce GTS 450*, GeForce GT 640 (GDDR3), GeForce GT 630, GeForce GT 620, GeForce GT 610, GeForce GT 520, GeForce GT 440, GeForce GT 440*, GeForce GT 430, GeForce GT 430*, GeForce GT 420*, GeForce GTX 675M, GeForce GTX 670M, GeForce GT 635M, GeForce GT 630M, GeForce GT 625M, GeForce GT 720M, GeForce GT 620M, GeForce 710M, GeForce 610M, GeForce 820M, GeForce GTX 580M, GeForce GTX 570M, GeForce GTX 560M, GeForce GT 555M, GeForce GT 550M, GeForce GT 540M, GeForce GT 525M, GeForce GT 520MX, GeForce GT 520M, GeForce GTX 485M, GeForce GTX 470M, GeForce GTX 460M, GeForce GT 445M, GeForce GT 435M, GeForce GT 420M, GeForce GT 415M, GeForce 710M, GeForce 410M, GeForce GT 730 (DDR3 de 128 bits) |
Quadro 2000, Quadro 2000D, Quadro 600, Quadro 410, Quadro 4000M, Quadro 3000M, Quadro 2000M, Quadro 1000M, NVS 310, NVS 315, NVS 5400M, NVS 5200M, NVS 4200M | |||
| 3.0 | Kepler | GK104, GK106, GK107 | GeForce GTX 770, GeForce GTX 760, GeForce GT 740, GeForce GTX 690, GeForce GTX 680, GeForce GTX 670, GeForce GTX 660 Ti, GeForce GTX 660, GeForce GTX 650 Ti BOOST, GeForce GTX 650 Ti, GeForce GTX 650, GeForce GTX 880M, GeForce GTX 780M, GeForce GTX 770M, GeForce GTX 765M, GeForce GTX 760M, GeForce GTX 680MX, GeForce GTX 680M, GeForce GTX 675MX, GeForce GTX 670MX, GeForce GTX 660M, GeForce GT 750M, GeForce GT 650M, GeForce GT 745M, GeForce GT 645M, GeForce GT 740M, GeForce GT 730M, GeForce GT 640M, GeForce GT 640M LE, GeForce GT 735M, GeForce GT 730M |
Quadro K5000 Quadro K4200 Quadro K4000 Quadro K2000 Quadro K2000D Quadro K600 Quadro K500M Quadro K510M Quadro K610M Quadro K1000M Quadro K2000M Quadro K1100M Quadro K2100M Quadro K3000M Quadro K3100M0 , Quadro K4100M0, 51, Quadro K5 | Tesla K10, RED K340, RED K520 | |
| 3.2 | GK20A | Tegra K1, Supersónico TK1 | ||||
| 3.5 | GK110, GK208 | GeForce GTX Titan Z, GeForce GTX Titan Black, GeForce GTX Titan, GeForce GTX 780 Ti, GeForce GTX 780, GeForce GT 640 (GDDR5), GeForce GT 630 v2, GeForce GT 730, GeForce GT 720, GeForce GT 710, GeForce GT 740M (64 bits, DDR3), GeForce GT 920M | Quadro K6000, Quadro K5200 | Tesla K40, Tesla K20x, Tesla K20 | ||
| 3.7 | GK210 | tesla k80 | ||||
| 5.0 | Maxwell | GM107, GM108 | GeForce GTX 750 Ti GeForce GTX 750 GeForce GTX 960M GeForce GTX 950M GeForce 940M GeForce 930M GeForce GTX 860M GeForce GTX 850M GeForce 845M GeForce 840M GeForce 830M | Quadro K420, Quadro K620, Quadro K1200, Quadro K2200, Quadro M2000M, Quadro M1000M, Quadro M600M, Quadro K620M, NVS 810 | tesla m10 | |
| 5.2 | GM200, GM204, GM206 | GeForce GTX Titan X, GeForce GTX 980 Ti, GeForce GTX 980, GeForce GTX 970, GeForce GTX 960, GeForce GTX 950, GeForce GTX 750 SE, GeForce GTX 980M, GeForce GTX 970M, GeForce GTX 965M | Quadro M6000 24GB, Quadro M6000, Quadro M5000, Quadro M4000, Quadro M2000, Quadro M5500, Quadro M5000M, Quadro M4000M, Quadro M3000M | Tesla M4, Tesla M40, Tesla M6, Tesla M60 | ||
| 5.3 | GM20B | Tegra X1, Jetson TX1, DRIVE CX, DRIVE PX | ||||
| 6.0 | Pascal | GP100 | Quadro GP100 | tesla p100 | ||
| 6.1 | GP102, GP104, GP106, GP107, GP108 | Nvidia TITAN Xp, Titan X, GeForce GTX 1080 Ti, GTX 1080, GTX 1070, GTX 1060, GTX 1050 Ti, GTX 1050, GT 1030, MX150 | Quadro P6000, Quadro P5000, Quadro P4000, Quadro P2000, Quadro P1000, Quadro P600, Quadro P400, Quadro P5000 (móvil), Quadro P4000 (móvil), Quadro P3000 (móvil) | Tesla P40, Tesla P6, Tesla P4 | ||
| 6.2 | GP10B [9] | Unidad PX2 con Tegra X2 (T186) [10] Jetson TX2 | ||||
| 7.0 | voltaje | GV100 | Nvidia TITAN V | Quadro GV100 | tesla v100,
tesla v100s |
|
| 7.2 | GV10B [11] | Jetson Xavier, DRIVE PX Xavier/Pegasus con Xavier SoC | ||||
| 7.5 | turing | TU102, TU104, TU106 | NVIDIA TITAN RTX,
GeForce RTX 2080 Ti, RTX 2080 Super, RTX 2080, RTX 2070 Super, RTX 2070, RTX 2060 Super, RTX 2060, GeForce GTX 1660 Ti, GTX 1660 Super, GTX 1660, GTX 1650 Super, GTX 1650 |
Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Quadro RTX 4000, Quadro RTX 3000,
Quadro T2000, Quadro T1000, Quadro T600 |
tesla t4 | |
| 8.0 | Amperio | GA100 | A100 80GB, A100 40GB | |||
| 8.6 | GA102, GA104, GA106 | GeForce RTX 3090, RTX 3080, RTX 3070, RTX 3060 Ti, RTX 3060, RTX 3050 Ti | RTX A6000, A40 |
|
|
|
|
|
Este ejemplo de código C++ carga texturas de una imagen en una matriz en la GPU :
cudaArray * cu_array ; textura < float , 2 > tex ; // Asignar memoria para el arreglo cudaMalloc ( & cu_array , cudaCreateChannelDesc < float > (), ancho , alto ); // Copie los datos de la imagen en la matriz cudaMemcpy ( cu_array , image , width * height , cudaMemcpyHostToDevice ); // Vincular la matriz a la textura cudaBindTexture ( tex , cu_array ); // Iniciar kernel dim3 blockDim ( 16 , 16 , 1 ); dim3 gridDim ( ancho / blockDim . x , alto / blockDim . y , 1 ); kernel <<< gridDim , blockDim , 0 >>> ( d_odata , ancho , alto ); cudaUnbindTexture ( tex ); __global__ kernel vacío ( float * odata , altura int , ancho int ) { int sin firmar x = blockIdx . x * blockDim . x + threadIdx . x ; int sin firmar y = blockIdx . y * blockDim . y + threadIdx . y ; float c = texfetch ( tex , x , y ); odatos [ y * ancho + x ] = c ; }Un ejemplo de un programa de Python que multiplica los elementos de una matriz utilizando la GPU. La interacción se realiza mediante PyCUDA [12]
importar pycuda.driver como drv import numpy drv _ init () dev = drv . Dispositivo ( 0 ) ctx = dev . hacer_contexto () mod = drv . SourceModule ( """ __global__ void multiplicar_ellos(float *dest, float *a, float *b) { const int i = threadIdx.x; dest[i] = a[i] * b[i]; } """ ) multiplicar_ellos = mod . get_function ( "multiply_them" ) a = entumecido . al azar randn ( 400 ) . astype ( numpy . float32 ) b = numpy . al azar randn ( 400 ) . astype ( numpy . float32 ) destino = numpy . zeros_like ( a ) multiplica_los ( drv . Out ( dest ), drv . In ( a ), drv . In ( b ), block = ( 400 , 1 , 1 )) destino de impresión - a * b| nvidia | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| GPU ( comparación ) _ |
| ||||||||||
| Conjuntos de chips de placa base ( comparación ) _ |
| ||||||||||
| Otro |
| ||||||||||