Type a search term to find related articles by LIMS subject matter experts gathered from the most trusted and dynamic collaboration tools in the laboratory informatics industry.
Cet article est une ébauche concernant l’informatique.
Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.
| Développé par | Nvidia |
|---|---|
| Première version | |
| Dernière version |
7.0 7.5 () 8.0[1] 9.1 ()[2] 9.1.85[3] 9.2.88 ()[4] 10.0.130 ()[5] 10.1.105 ()[6] 10.1.243 ()[7] 10.2.89 ()[8] 11.0.2 ()[9] 11.0.3 ()[10] 11.2.2 ()[11],[12] 11.5.1 ()[13],[12] 11.7.0 ()[14],[15] 12.0 ()[16],[17] 12.1 ()[18],[19] 12.2 ()[20] 12.3.1 ()[21] 12.5.1 ()[22] 12.6.1 ()[23] |
| Système d'exploitation | Microsoft Windows, Linux et macOS |
| Type |
Pile de logiciels Interface de programmation |
| Licence | Licence propriétaire |
| Site web | developer.nvidia.com/cuda-zone |
CUDA (initialement l'acronyme de Compute Unified Device Architecture[24]) est une technologie propriétaire[25] de GPGPU (General-Purpose Computing on Graphics Processing Units), c'est-à-dire utilisant un processeur graphique (GPU) pour exécuter des calculs généraux à la place du processeur central (CPU). En effet, ces processeurs comportent couramment de l'ordre d'un millier de circuits de calcul fonctionnant typiquement à 1 GHz, ce qui représente un potentiel très supérieur à un processeur central à 4 GHz, fût-il multicœurs et multi-threads. Cette utilisation requiert que le calcul à effectuer soit parallélisable.
CUDA permet de programmer des GPU en C++. Elle est développée par Nvidia, initialement pour ses cartes graphiques GeForce 8, et utilise un pilote unifié utilisant une technique de streaming (flux continu).
Le premier kit de développement pour CUDA est publié le [26].
Est réalisable en CUDA tout ce qui demande du calcul intensif maillable en deux ou trois dimensions, ainsi que ce qui est décomposable en calculs indépendants sur des facteurs premiers, tel que cassage de codes, cassage de mot de passe[27], calculs de structures, simulation de fluides, algorithmes de recuit simulé, calculs économétriques sur de très grandes matrices (des techniques de découpages de ces matrices en blocs permettent de largement en paralléliser le produit).
L'architecture Tesla, qui offre selon Nvidia la puissance de calcul d'un superordinateur (4 téraflops en simple précision, 80 gigaflops en double précision) pour une somme de 10 000 dollars, est construite sur CUDA.
L'architecture Fermi, introduite en 2010 avec le GF100, est maintenant obsolète, les versions de CUDA ultérieures aux versions 8.0.x ne la prenant pas en charge.
L'architecture Pascal, introduite en 2016 avec les cartes GTX1080 et GTX1070 à 2560 cœurs (gravure en 16 nm) et qui utilise de la GDDR5X surcadençable à 2,1 GHz, est également utilisable avec CUDA. NVidia lui annonce 11 téraflops en simple précision.
L'architecture Volta, conçue pour des usages professionnels, a été introduite en 2017 et intègre la carte V100, première architecture de NVidia à introduire l'usage des Tensor Cores, des cœurs d'arithmétique spéciaux qui permettent d'accélérer grandement les calculs de matrices en réduisant la précision de 32 à 16 bit[28].
L'architecture Turing, introduite en 2018 avec les RTX 20, succède aussi à Pascal, mais vise les particuliers, contrairement à Volta. Elle possède de nouvelles unités arithmétiques en plus de Tensor Cores améliorés, les RT Cores, qui eux permettent d'accélérer les calculs de ray tracing. Cependant ces derniers ne sont pas programmables via CUDA[29].
CUDA présente plusieurs particularités par rapport à la programmation en C, en proposant d'effectuer des calculs génériques sur GPU :
Quelques réalisations combinent l'usage du langage Go, très orienté sur la programmation de processus concurrents et la gestion de mémoire sans fuites, avec celui de CUDA[30].
#include <stdio.h>
#include <stdlib.h>
#include <cuda.h>
#include <cuda_runtime.h>
__global__
void mykernel(float *A1, float *A2, float *R)
{
int p = threadIdx.x;
R[p] = A1[p] + A2[p];
}
int main()
{
float A1[] = { 1, 2, 3, 4, 5, 6, 7, 8, 9 };
float A2[] = { 10, 20, 30, 40, 50, 60, 70, 80, 90 };
float R[9];
// 9 additions, aucune boucle !
mykernel<<<1 ,9>>>(A1, A2, R);
// sortie à l'ecran
for (int i = 0; i < 9; i++) {
printf("%f\n", R[i]);
}
}
Cet exemple fonctionne seulement si on émule la carte graphique, car on ne recopie pas les données sur la carte. L'émulation a été supprimée à partir de CUDA 3.1[33][réf. non conforme].
Compilation par :
nvcc -deviceemu -o run prog.cu
#include <stdio.h>
#include <stdlib.h>
#include <cuda.h>
#include <cuda_runtime.h>
__global__
void mykernel(float *A1, float *A2, float *R)
{
int p = threadIdx.x;
R[p] = A1[p] + A2[p];
}
int main()
{
float A1[] = { 1, 2, 3, 4, 5, 6, 7, 8, 9 };
float A2[] = { 10, 20, 30, 40, 50, 60, 70, 80, 90 };
float R[9];
int taille_mem = sizeof(float) * 9;
// on alloue de la memoire sur la carte graphique
float *a1_device;
float *a2_device;
float *r_device;
cudaMalloc((void**) &a1_device, taille_mem);
cudaMalloc((void**) &a2_device, taille_mem);
cudaMalloc((void**) &r_device, taille_mem);
// on copie les donnees sur la carte
cudaMemcpy(a1_device, A1, taille_mem, cudaMemcpyHostToDevice);
cudaMemcpy(a2_device, A2, taille_mem, cudaMemcpyHostToDevice);
//9 additions, aucune boucle !
mykernel<<<1, 9>>>(a1_device, a2_device, r_device);
// on recupere le resultat
cudaMemcpy(R, r_device, taille_mem, cudaMemcpyDeviceToHost);
// sortie à l'ecran
for(int i = 0; i < 9; i++) {
printf("%f\n", R[i]);
}
}
Compilation par :
nvcc -o add_cuda add_cuda.cu
LIMS forum content by LIMS forum members is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. Based on a work at www.limsforum.com.
