OpenCL ile GPU Programlama Eğitimi

Eğitim Hakkında

OpenCL ile GPU ve heterojen programlama

Eğitim, OpenCL ile GPU ve çok çekirdekli cihazlarda paralel programlamayı kapsar: platform, device, context, command queue ve program nesneleri, OpenCL C kernel yazımı, NDRange, work-item ve work-group, global/local/private/constant bellek, buffer ve SVM, event ile senkronizasyon, barrier, profiling, matris çarpımı ve redüksiyon optimizasyonu, coalesced erişim ve CUDA ile karşılaştırma.

Süre ve Format

2 Gün. Her gün dört modül; OpenCL Platformu ve Temel Programlama ve Optimizasyon ve İleri Konular ekseninde ilerleyen uygulamalı program.

Seviye

İleri Seviye — OpenCL ile heterojen paralel programlama: platform modeli, kernel yazımı, bellek hiyerarşisi ve optimizasyon

Öğrenme Metodu

Her konu çalışan C/C++ host kodu ve OpenCL kernel örnekleriyle uygulanır; performans clGetEventProfilingInfo ile ölçülür.

Neden Bu Eğitim?

🚀Büyük hızlanma

Veri paralel işleri GPU'ya taşıyarak ölçülebilir hızlanma elde edersiniz.

🧠Bellek hiyerarşisi

Local bellek ve coalesced erişimle darboğazları giderirsiniz.

🔀Taşınabilirlik

Aynı kernel'i NVIDIA, AMD, Intel cihazlarında çalıştırırsınız.

Anahtar Konular

openclgpu programlamaopencl eğitimiparalel programlamaheterojen hesaplamaopencl kernelmatris çarpımı gpucuda alternatifihpcgpgpu

“GPU'yu hızlı yapan şey çekirdek sayısı değil, veriyi doğru yerde tutmaktır.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

C/C++

Pointer ve dinamik bellek yönetimi bilinmelidir.

2

Paralellik

Thread ve eşzamanlılık temelleri faydalıdır.

3

Donanım

OpenCL destekli bir GPU veya CPU sürücüsü kurulu olmalıdır.

4

Araçlar

CMake veya gcc, clinfo ve bir IDE gerekir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı OpenCL host programını kurar ve ilk kernel'ları çalıştırır.

Modül 1

Platform ve Execution Modeli

clGetPlatformIDs ve clGetDeviceIDs
Context ve CommandQueue
Program ve Kernel nesneleri
NDRange, work-item, work-group
get_global_id ve get_local_id
Hata kodları ve kontrol makroları

Modül 2

OpenCL C Kernel Yazımı

__kernel ve adres uzayı niteleyicileri
Skaler ve vektör tipleri (float4)
Yerleşik fonksiyonlar
Çalışma zamanında derleme (clBuildProgram)
Build log okuma
Kernel argümanları (clSetKernelArg)

Modül 3

Bellek Nesneleri

clCreateBuffer bayrakları
clEnqueueWriteBuffer ve ReadBuffer
Map/Unmap ve pinned bellek
SVM (Shared Virtual Memory)
Image nesneleri
Host-device veri aktarım maliyeti

Modül 4

İlk Uygulamalar

Vektör toplama
SAXPY
Görüntü eşikleme
clinfo ile cihaz özellikleri
CPU ve GPU cihaz karşılaştırması
Doğrulama için CPU referansı

Günün hedefiKatılımcı bellek hiyerarşisini kullanarak kernel'ları optimize eder, event ile asenkron akış kurar ve profiller.

Modül 1

Bellek Hiyerarşisi ve Erişim

Global, local, private, constant bellek
Coalesced erişim
Bank conflict
Local memory tiling
Padding ve hizalama
Register baskısı ve occupancy

Modül 2

Klasik Algoritmalar

Matris çarpımı (naive ve tiled)
Paralel redüksiyon
Prefix sum (scan)
Histogram ve atomik işlemler
Konvolüsyon
Sıralama (bitonic sort)

Modül 3

Senkronizasyon ve Event

barrier ve mem_fence
clEnqueueNDRangeKernel ve event bekleme
Out-of-order queue
Çoklu queue ile örtüşme
Callback ve clFinish
Çoklu cihaz kullanımı

Modül 4

Profiling ve Dağıtım

CL_QUEUE_PROFILING_ENABLE
clGetEventProfilingInfo
Work-group boyutu ayarı
Roofline mantığı
OpenCL ve CUDA karşılaştırması
SYCL ve OpenCL 3.0 notları

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

OpenCL host kodu

Platform, context ve queue kurup kernel çalıştırabilirsiniz.

🧩

Kernel yazımı

OpenCL C ile veri paralel kernel'lar yazabilirsiniz.

⚙️

Bellek yönetimi

Buffer ve SVM nesnelerini doğru yönetebilirsiniz.

🔍

Local bellek

Tiling ile global bellek trafiğini azaltabilirsiniz.

🛠️

Algoritma uygulama

Matris çarpımı ve redüksiyonu GPU'da gerçekleştirebilirsiniz.

📈

Senkronizasyon

Event ve barrier ile doğru senkronizasyon kurabilirsiniz.

🔐

Profiling

Kernel sürelerini ölçüp darboğazları belirleyebilirsiniz.

🚀

Taşınabilirlik

Kodunuzu farklı üretici cihazlarda çalıştırabilirsiniz.

Kimler İçin Uygundur?

C/C++ bilen ve hesaplama yoğun uygulamaları GPU'da hızlandırmak isteyen yazılım mühendisleri
bilimsel hesaplama
görüntü işleme geliştiricileri için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

C/C++ bilen ve hesaplama yoğun uygulamaları GPU'da hızlandırmak isteyen yazılım mühendisleri, bilimsel hesaplama ve görüntü işleme geliştiricileri için uygundur. Pointer ve dinamik bellek yönetimi bilinmelidir.

NVIDIA GPU zorunlu mu?

Hayır; Intel, AMD veya CPU için OpenCL sürücüsü yeterlidir (ör. PoCL).

CUDA ile farkı anlatılır mı?

Evet, kavram eşleştirmesi ve taşınabilirlik farkları son modülde işlenir.

Hangi dil kullanılır?

Host tarafında C/C++, cihaz tarafında OpenCL C kullanılır.

Python bağlantısı var mı?

PyOpenCL kısaca tanıtılır; ana odak C/C++ host koddur.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

OPENCL İLE GPU PROGRAMLAMA EĞİTİMİ