|
英伟达的GPU背后最大的功臣是CUDA生态，了解生态的组成部分，也就了解了英伟达的发展动态。
1：编程语言和APIs 最初，CUDA 仅支持用 C 语言编写程序（CUDA 1.0）。随着 CUDA 的发展，它逐步支持更多的高级语言，例如 C++、Fortran、Python 等。 英伟达发布到CUDA工具包提供了使用C/C++编程语言的开发环境，从而能够开发、优化和部署 GPU 加速的程序，英伟达还提供了一个PGI工具链，使用Fortran语言编写CUDA程序。 可以说CUDA工具包提供了低级的API和动态库，比如cudaMemcpy等等。 另外CUDA也有一些第三方工具支持，比如： • PyCUDA：在Python中调用CUDA API的接口，它底层使用了CUDA 的 C++ 接口，属于原生 CUDA 的封装。 • Altimesh Hybridizer：从 .NET 或 Java 程序中生成 CUDA C 源代码 • OpenCL：另外一种并行编程框架，与CUDA是不同的生态系统，但可以操作 CUDA GPU • OpenACC：使用PGI编辑器指令生成 CUDA 代码
2：Libraries 如果说CUDA API相当于操作系统级别的API，那包就是C语言，基于 CUDA 平台开发的模块，针对目标计算架构进行了精心优化，为常用的操作提供了实现，并简化开发工作。 大概的特点： • 提供针对特定计算的高效实现，例如矩阵运算（cuBLAS）、稀疏矩阵（cuSPARSE）等。 • 是直接可用的“插件”模块，开发者无需从头实现复杂的 GPU 算法。 • 多数库都封装了 CUDA API 的低级调用，从而实现了高层次的易用性。
CUDA 工具包提供了大量常用库，合作伙伴也在 CUDA 平台上提供了许多库： • 数学库：cuBLAS、cuRAND、cuFFT、cuSPARSE、cuTENSOR、cuSOLVER • 并行算法库：nvGRAPH、Thrust • 图像和视频库：nvJPEG、NPP、Optical Flow SDK • 通信库：NVSHMEM、NCCL • 深度学习库：cuDNN、TensorRT、Riva、DALI • 合作伙伴库：OpenCV、FFmpeg、ArrayFire、MAGMA
3：性能分析和调试工具 任何编程架构的重要组成部分之一是强大且高效的工具，用于编写、调试和优化程序，CUDA生态系统提供了必要的工具，方便快速、轻松且高效地编写程序。 4：数据中心工具和集群管理 GPU真正的应用在于数据中心和集群，现在的AI计算都需要GPU集群来加速训练和推理，需要通过高速网络连接GPU，这也是英伟达收购Mellanox原因之一，其开发的InfiniBand互联技术就是加速GPU集群通信能力。 英伟达通过和合作伙伴合作，为开发人员和 DevOps 提供 AI 和 HPC 软件生命周期的每个步骤所需的软件工具，包括： • 容器：NVIDIA NGC（NVIDIA GPU Cloud）平台，Google云、AWS相对来可能更擅长。 • 调度和协调：Kubernetes on NVIDIA GPUs，可以参考GPUs on Google GKE。 • 集群管理工具，比如Bright Cluster、Ganglia。 • 监控工具，比如DCGM工具。
5：围绕CUDA生态开发的应用程序 https://www.nvidia.com/en-us/accelerated-applications/ 这个列表列举了部分使用CUDA生态开发的系统，包括各行各业。 无处不在的GPUs，比如： • 消费级GeForce GPUs • 专业视觉化的Quadro GPU • 数据中心的GPU，比如H100 GPU • 嵌入式系统的Tegra GPU
作为普通开发者来说，学习英伟达GPU的第一课就是了解CUDA生态系统 | 
