Бомбезные новости: NVIDIA добавили нативную поддержку Python в CUDA!
Это значит, что код для GPU теперь можно писать сразу на Python, а не учить параллельно C++ или Fortran.
Что важно: это не перевод синтаксиса C на Python. Все будет работать так, как привыкли разработчики.
Сразу из интересного:
— Появилась библиотека cuPyNumeric: NumPy-совместимая штука, но всё летит на GPU. Почти без изменений в коде, зато x50 ускорение для массивов.
— CUDA Core переосмыслили для Python: теперь без миллиона зависимостей и танцев с .cu-файлами. Всё завязано на JIT-компиляции и нативной интеграции в CPython. Пишешь как на Python — работает как C++ (почти).
— Модель параллелизма CuTile — вместо ручной работы с потоками и блоками (как в C++), теперь можно просто оперировать «плитками» данных.
— Инструменты для профилирования и анализа GPU-кода на Python — прямо внутри среды. Можешь смотреть, как работает каждое ядро, какие данные тормозят, и где ты налажал.
— Zero-copy memory: массивы могут жить одновременно и в CPU, и в GPU-памяти, и не дублируются.
— Легко подключать кастомные ядра в PyTorch — не надо писать C++ Extensions, можно просто на Python + cuModule. Всё работает с автоградом.
— CUDA Python SDK — теперь официальный. Поддержка IDE, Jupyter, VSCode.
Это значит, что код для GPU теперь можно писать сразу на Python, а не учить параллельно C++ или Fortran.
Что важно: это не перевод синтаксиса C на Python. Все будет работать так, как привыкли разработчики.
Сразу из интересного:
— Появилась библиотека cuPyNumeric: NumPy-совместимая штука, но всё летит на GPU. Почти без изменений в коде, зато x50 ускорение для массивов.
— CUDA Core переосмыслили для Python: теперь без миллиона зависимостей и танцев с .cu-файлами. Всё завязано на JIT-компиляции и нативной интеграции в CPython. Пишешь как на Python — работает как C++ (почти).
— Модель параллелизма CuTile — вместо ручной работы с потоками и блоками (как в C++), теперь можно просто оперировать «плитками» данных.
— Инструменты для профилирования и анализа GPU-кода на Python — прямо внутри среды. Можешь смотреть, как работает каждое ядро, какие данные тормозят, и где ты налажал.
— Zero-copy memory: массивы могут жить одновременно и в CPU, и в GPU-памяти, и не дублируются.
— Легко подключать кастомные ядра в PyTorch — не надо писать C++ Extensions, можно просто на Python + cuModule. Всё работает с автоградом.
— CUDA Python SDK — теперь официальный. Поддержка IDE, Jupyter, VSCode.
🔥198👍27❤24🌚17😁5👨💻3🫡1
tgoop.com/codecamp/7382
Create:
Last Update:
Last Update:
Бомбезные новости: NVIDIA добавили нативную поддержку Python в CUDA!
Это значит, что код для GPU теперь можно писать сразу на Python, а не учить параллельно C++ или Fortran.
Что важно: это не перевод синтаксиса C на Python. Все будет работать так, как привыкли разработчики.
Сразу из интересного:
— Появилась библиотека cuPyNumeric: NumPy-совместимая штука, но всё летит на GPU. Почти без изменений в коде, зато x50 ускорение для массивов.
— CUDA Core переосмыслили для Python: теперь без миллиона зависимостей и танцев с .cu-файлами. Всё завязано на JIT-компиляции и нативной интеграции в CPython. Пишешь как на Python — работает как C++ (почти).
— Модель параллелизма CuTile — вместо ручной работы с потоками и блоками (как в C++), теперь можно просто оперировать «плитками» данных.
— Инструменты для профилирования и анализа GPU-кода на Python — прямо внутри среды. Можешь смотреть, как работает каждое ядро, какие данные тормозят, и где ты налажал.
— Zero-copy memory: массивы могут жить одновременно и в CPU, и в GPU-памяти, и не дублируются.
— Легко подключать кастомные ядра в PyTorch — не надо писать C++ Extensions, можно просто на Python + cuModule. Всё работает с автоградом.
— CUDA Python SDK — теперь официальный. Поддержка IDE, Jupyter, VSCode.
Это значит, что код для GPU теперь можно писать сразу на Python, а не учить параллельно C++ или Fortran.
Что важно: это не перевод синтаксиса C на Python. Все будет работать так, как привыкли разработчики.
Сразу из интересного:
— Появилась библиотека cuPyNumeric: NumPy-совместимая штука, но всё летит на GPU. Почти без изменений в коде, зато x50 ускорение для массивов.
— CUDA Core переосмыслили для Python: теперь без миллиона зависимостей и танцев с .cu-файлами. Всё завязано на JIT-компиляции и нативной интеграции в CPython. Пишешь как на Python — работает как C++ (почти).
— Модель параллелизма CuTile — вместо ручной работы с потоками и блоками (как в C++), теперь можно просто оперировать «плитками» данных.
— Инструменты для профилирования и анализа GPU-кода на Python — прямо внутри среды. Можешь смотреть, как работает каждое ядро, какие данные тормозят, и где ты налажал.
— Zero-copy memory: массивы могут жить одновременно и в CPU, и в GPU-памяти, и не дублируются.
— Легко подключать кастомные ядра в PyTorch — не надо писать C++ Extensions, можно просто на Python + cuModule. Всё работает с автоградом.
— CUDA Python SDK — теперь официальный. Поддержка IDE, Jupyter, VSCode.
BY CodeCamp
Share with your friend now:
tgoop.com/codecamp/7382