Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tarea NVIDIA
Tarea 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
X. Referencias
Robert Oliver. (2017). GPU Programming with Python.
Septiembre 30, 2020, de LINUXHINT Sitio web:
https://linuxhint.com/gpu-programming-python/
https://www.anaconda.com/products/individual
https://code.visualstudio.com/download
https://developer.nvidia.com/cuda-downloads
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 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)
# 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