Benemérita Universidad Autónoma de Puebla

Complejo Regional Centro, San José Chiapa

Ingeniería En Automatización y Autotrónica

Nombre de la práctica Asignatura Periodo
Encendiendo un Led con DSP Procesamiento y Transmisión de datos 5to Semestre
Docente: Henry Xochipiltecatl Carreto
Fecha: Octubre 05, 2020
Alumnos Matricula
Iván Durán Santos 201805255
Natalia de la Rosa García 201843445
Sara Mónica Estrada García 201860424
Briseida Lisett Flores Murillo 201843588

Abstract: La programación de GPU con Python, con la

facilidad de Python, se puede desbloquear la increíble potencia
de cálculo de la GPU (unidad de procesamiento de gráficos) de
la tarjeta de video. En jesencia se trabaja con la biblioteca
CUDA de NVIDIA.

Key Words: GPU’s, Python, Tarjeta de Video, NVIDIA.

I. Introducción
Para llevar a cabo esta práctica, es necesario contar Fig00: Visual Studio Code
con una máquina física con Linux y una GPU basada
en NVIDIA. Teniendo las dos herramientas, Ubuntu, es un sistema operativo de software libre y
funcionaria de manera adecuada, sin embargo, para código abierto. Es una distribución de Linux basada
hacerlo utilizando una máquina física, se debe tener en Debian. Actualmente corre en computadores de
instalados los controladores patentados de NVIDIA. escritorio y servidores. Está orientado al usuario
Pero en este caso nos centraremos únicamente a lo promedio, con un fuerte enfoque en la facilidad de uso
teórico que abarca la práctica, debido a que no se y en mejorar la experiencia del usuario.
cuenta con todos los dispositivos solicitados, pues
para su ejecución, también se necesita tener instalado
CUDA Toolkit. E implementar el lenguaje de
programación de Python, que es de propósito general
muy poderoso y flexible, a la vez que sencillo y fácil
de aprender.
Además de hacer énfasis de que las GPU son
adecuadas para soportar algoritmos con un alto grado
de paralelismo, sobre estructuras de datos no
excesivamente complejas, como vectores o matrices
de números, y con alta intensidad aritmética. Fig01: Ubuntu

II. Objetivos Python es un lenguaje de programación de propósito

Programar una tarjeta de video NVIDIA.
Conocer un poco del entorno de Python.
Aprender a usar CUDA.
Generar código especializado para
programación de una GPU.
Saber qué es una GPU.
Reconocer la importancia de las GPU’s.
general muy poderoso y flexible, a la vez que sencillo
y fácil de aprender. Es un lenguaje de alto nivel, que
permite procesar fácilmente todo tipo de estructuras
de datos, tanto numéricos como de texto.
la

III. Especificaciones del sistema

Visual Studio Code es un editor de código fuente
desarrollado por Microsoft para Windows, Linux y
macOS. Incluye soporte para la depuración, control
integrado de Git, resaltado de sintaxis, finalización
inteligente de código, fragmentos y refactorización de
código.
Fig02: Python
CUDA ha sido durante mucho tiempo uno de los datos
más destacados en la hoja de especificaciones de
cualquier tarjeta gráfica GeForce. acelera los
procesos de cálculo de GPU. Con CUDA, los
investigadores y los desarrolladores de software
pueden enviar códigos C, C ++ y Fortran directamente
a la GPU sin usar un código de ensamblaje. Esta
simplificación aprovecha la computación paralela en
la que se ejecutan simultáneamente miles de tareas o
subprocesos.
 Benemérita Universidad Autónoma de Puebla
Complejo Regional Centro, San José Chiapa
Fig03: NVIDIA Cuda.
IV. Marco teórico
NVIDIA es una empresa multinacional que se
especializa desarrollando unidades de procesamiento
gráfico y tecnología de circuitos integrados para
diferentes equipos personales, su uso más extremos
son para estaciones de trabajo, donde se requiere de
un procesamiento complejo, pero de igual manera se
encuentra en ordenadores personales más
económicos que donde el usuario requiere un
procesamiento mejor al estándar.
Nvidia ha cambiado para ser una compañía enfocada
en cuatro mercados: gaming, visualización
profesional, centros de datos y auto. NVIDIA produce
GPUs incluyendo la serie GeForce para videojuegos,
la serie NVIDIA Quadro de diseño asistido por
ordenador y la creación de contenido digital en las
estaciones de trabajo, y la serie de circuitos
integrados nForce para placas base.
Las Unidades de procesamiento gráfico, mejor
conocidas como GPU’s, es un coprocesador enfocado
al procesamiento de gráficos u operaciones de coma
flotante, se utilizan generalmente para aligerar la
carga de trabajo del procesador central en
aplicaciones como los videojuegos o aplicaciones 3D
interactivas.
A continuación podemos ver una comparación entre
una CPU y una Unidad de procesamiento gráfico:
Fig04: Comparación entre un CPU y una GPU.
A continuación, podemos ver cómo se comporta a
nivel arquitectura una GPU.
Fig05: GPU a nivel arquitectura.
V. Desarrollo del sistema
Para esta practica en especial, el equipo se basó en
un articulo recomendado por el Doctor Tomas
Hernández Bonilla, maestro en inteligencia artificial.
Artículo que dejaremos en los apéndices. Nos
recomendó seguir el articulo a pie de la letra.
Lo primero que nos solicita es tener el sistema
operativo Linux Ubuntu en versiones de 18.04 o la
mas actual que es la 20.04. El integrante del equipo
Iván Durán anteriormente había hecho una partición
en su disco duro para poder usar el sistema operativo
antes mencionado, por lo que se tiene Ubuntu 18.04
LTS instalado, y es aquí donde se genera todo lo
demás.
Lo primero que sugiere el documento es instalar el
software de CUDA de NVIDIA, lo cual se consigue
fácilmente siguiendo las instrucciones de su página
oficial desde el buscados de internet (anexos). Claro
está que la instalación y la descarga se tiene que
hacer considerando que se tiene el sistema operativo
Ubuntu.
Fig06: Pasos para instalar CUDA
Fig07: Código necesario para instalar CUDA
en Ubuntu
Posteriormente solicita instalar ANACONDA para lo
cual, del mismo modo, se recurre a su pagina oficial y
se busca el instalador necesario o las instrucciones
oficiales.
 Benemérita Universidad Autónoma de Puebla
Complejo Regional Centro, San José Chiapa
Fig08: Página para descargar ANACONDA
Posteriormente se realiza un paso muy importante y
es aquí donde se hace lo necesario para que el
sistema operativo reconozca a os comandos de
CUDA, se tiene que abrir la terminal y escribir el
siguiente código
conda install numba
Como ultimo paso, hay dos formas, dentro de la
terminal escribir el código que nos sugiere el artículo
o generar en un IDLE el código y guardarlo con la
extensión de Python. Lo que nosotros hicimos fue la
segunda. En la máquina ya se tenía todo lo necesario
para programar en Python dentro del entorno de
Visual Studio Code, posteriormente se escribió el
código de ejemplo y se guardó, y para correr el
programa el articulo sugiere hacerlo desde a terminal,
y es así como se hace.
El programa lo veremos en la parte de los anexos.
VI. Simulaciones
A continuación, se muestran algunas imágenes de lo
que sería la simulación en Visual Studio del código
implementado en Python.
Fig09: Resultados directos de terminal.
Fig10: Resultados desde terminal de VS
Code
VII. Implementación del experimento
Como se menciona el procedimiento, todo se siguió al
pie de la letra, pero debido a que el programa final solo
funciona con una GPU integrada o dedicada de
NVIDIA, a la hora de correr el programa no daba
resultados visibles.
VIII. Análisis de resultados
La primera vez que se corrió el programa final
sugerido por el articulo la computadora empezó a
trabajar de manera extrema por unos cuantos
segundos pero finalmente, cuando la terminal donde
se visualizan los resultados tanto de la terminal propia
de Ubuntu como en la extensión de terminal del
Software Visual Studio Code, terminaba su trabajo y
arrojaba el error de “DEVICE NOT FOUND”, el
proceso de la computadora se detenía y todo seguía
normal.
IX. Conclusiones
Finalmente, después de realizar e investigar sobre
esta práctica, pudimos percatarnos de que si hay
herramientas que pueden ayudarnos en cuanto a la
programación de tarjetas gráficas, creemos que es
indispensable adquirir una para seguir trabajando en
ello, y observar de manera física su comportamiento,
ya que por ahora solo lo dejamos en conocimiento
teórico.
Cabe destacar que, un aspecto ha sido el estudio de
cómo se puede desarrollar en lenguaje Python en la
tecnología de GPU. Teníamos interés en aprender
más sobre este lenguaje y, en especial muchas de las
librerías que incluye para series numéricas.
Por otro lado, en un principio, y en la planificación
inicial, la única herramienta CUDA para Python
prevista era PyCuda pero, tras documentarse al
respecto, descubrimos la existencia de Anaconda, así
que se decidió hacer uso de este.
X. Referencias
Robert Oliver. (2017). GPU Programming with Python.
Septiembre 30, 2020, de LINUXHINT Sitio web:
https://linuxhint.com/gpu-programming-python/
Sevivon Studio. (2020). Instalación de Ubuntu 20.04 LTS
junto a Windows 10. Octubre 02, 2020, de YouTube Sitio
web: https://www.youtube.com/watch?v=6-rUBlTj0yI
Link para descargar ANACONDA:
https://www.anaconda.com/products/individual
Link para descargar VS Code
https://code.visualstudio.com/download
Link para descargar CUDA de NVIDIA:
https://developer.nvidia.com/cuda-downloads
 Benemérita Universidad Autónoma de Puebla
Complejo Regional Centro, San José Chiapa

XI. Apéndices
A continuación, ponemos el código sugerido por el articulo:
import numpy as np
from timeit import default_timer as timer
from numba import vectorize

# This should be a substantially high value. On my test machine, this took

# 33 seconds to run via the CPU and just over 3 seconds on the GPU.
NUM_ELEMENTS = 100000000

# This is the CPU version.

def vector_add_cpu(a, b):
c = np.zeros(NUM_ELEMENTS, dtype=np.float32)
for i in range(NUM_ELEMENTS):
c[i] = a[i] + b[i]
return c

# This is the GPU version. Note the @vectorize decorator. This tells
# numba to turn this into a GPU vectorized function.
@vectorize(["float32(float32, float32)"], target='cuda')
def vector_add_gpu(a, b):
return a + b;

def main():
a_source = np.ones(NUM_ELEMENTS, dtype=np.float32)
b_source = np.ones(NUM_ELEMENTS, dtype=np.float32)

# Time the CPU function

start = timer()
vector_add_cpu(a_source, b_source)
vector_add_cpu_time = timer() - start

# Time the GPU function

start = timer()
vector_add_gpu(a_source, b_source)
vector_add_gpu_time = timer() - start

# Report times
print("CPU function took %f seconds." % vector_add_cpu_time)
print("GPU function took %f seconds." % vector_add_gpu_time)

return 0

if __name__ == "__main__":
main()

A continuación le dejamos el link del video en la plataforma de YouTube que el equipo hizo para la práctica:

https://www.youtube.com/watch?v=7KsEHKJkeJk&feature=youtu.be