Seminar GPU-Programmierung (CUDA OpenCL GPGPU)

Profil und Relevanz für GPU-Programmierung

• GPU-Hardwareplattform mit starkem Fokus auf Compute.
• CUDA als Programmierschnittstelle und Ökosystem für GPGPU.
• Tooling für Analyse und Optimierung (Profiling, Tracing, Debugging).
• Bibliotheken für Standardbausteine (Primitives, lineare Algebra, FFT, Sparse).

Technologiebaukasten (Begriffe für Seminar-Kontext)

• CUDA Programmiermodell: Kernel, Grid/Block/Thread, Speicherbereiche
• Toolchain-Konzepte: Compiler, Runtime, Treiber, Build-Strategien
• Profiling- und Debugging-Konzepte: System-Trace, Kernel-Analyse, Sanitizer-Checks
• Performance-Hebel: Speicherzugriffe, Parallelität, Overlap, Reduktion von Overheads
• Bibliotheksprinzip: Wiederverwendung statt eigener Kernel, Pipeline-Integration

Typische Einsatzfelder

• Simulation und numerische Verfahren
• Bild- und Signalverarbeitung
• Datenanalyse und beschleunigte Pipelines
• Echtzeit- und Batch-Processing mit hoher Parallelität
• Beschleunigung von Standardoperationen über Bibliotheken

Passende Seminarzuordnung (interne Verlinkungslogik)

• Einstieg: (Grundlagen) → (CUDA Grundlagen)
• Performance: (CUDA Performance) → (Advanced & Skalierung)
• Qualität: (Debugging/Correctness)
• Methodik: (Algorithmik/Patterns)
• Ökosystem: (Libraries)
• Komprimiert: (Kompaktseminar)

Prinzipien der Reihenfolge

• Grundlagen vor Optimierung.
• Messbarkeit vor Tuning.
• Correctness vor Skalierung.
• Patterns und Libraries als Multiplikatoren nach den Basics.

Standardpfad (Allround)

• GPU-Computing Grundlagen
• CUDA Grundlagen
• OpenCL Grundlagen
• CUDA Performance & Profiling
• OpenCL Performance & Portabilität
• GPU-Algorithmik & Patterns
• Debugging, Correctness & Numerik
• GPU Libraries & Ökosystem
• CUDA Advanced & Skalierung

Pfad CUDA-Fokus

GPU-Computing Grundlagen → CUDA Grundlagen → CUDA Performance & Profiling → Debugging, Correctness & Numerik → GPU Libraries & Ökosystem → CUDA Advanced & Skalierung → GPU-Algorithmik & Patterns

Pfad OpenCL/Portabilität

GPU-Computing Grundlagen → OpenCL Grundlagen → OpenCL Performance & Portabilität → Debugging, Correctness & Numerik → GPU-Algorithmik & Patterns → GPU Libraries & Ökosystem
(Optional: CUDA Grundlagen/CUDA Performance & Profiling zur CUDA-Vertiefung, wenn NVIDIA als Zielplattform relevant ist.)

Pfad Performance & Stabilisierung (für bestehende Codebasen)

• (CUDA Performance & Profiling) oder (OpenCL Performance & Portabilität)
• Debugging, Correctness & Numerik
• Patterns, falls Kernel neu entworfen werden müssen
• Skalierung/Concurrency
• GPU Libraries & Ökosystem

Alternative: Kompakt oder Intensiv

• Schneller Einstieg: GPU-Programmierung → anschließend CUDA Performance & Profiling/OpenCL Performance & Portabilität/Debugging, Correctness & Numerik je nach Bedarf.