Über den Service
ÜbersetztIch bin ein GPU-Entwickler und lasse rechenintensive Aufgaben um Größenordnungen schneller laufen, indem ich sie auf die Grafikkarte verlagere. Wenn eine Simulation, Signalverarbeitung oder ML-Pipeline die CPU stundenlang voll auslastet, analysiere ich, wo die Zeit tatsächlich hingeht, strukturiere den heißen Abschnitt für Tausende paralleler Threads um und schreibe ihn als CUDA-Kerne, die alle Stream-Multiprozessoren ohne Leerlaufzeit auslasten. Mir geht es nicht nur um Korrektheit, sondern auch um Durchsatz: wie Daten durch globalen, gemeinsamen und Register-Speicher fließen, wie kohärent die Warps sind und welcher Anteil der theoretischen Bandbreite der Kern tatsächlich auf der Live-Hardware nutzt.
Die meisten Projekte beginnen mit bestehendem CPU-Code, der einfach seine Laufzeit überlebt hat. Ich portiere diese Logik Schritt für Schritt auf die GPU, verifiziere die Ergebnisse bei jedem Schritt gegen das Original, damit die Zahlen nicht abweichen, und erhöhe dann die Belegung, den koaleszierten Speicherzugriff und die Thread-Überlappung, bis die Beschleunigung real und messbar wird. Ich arbeite fließend mit dem CUDA Toolkit und Begleitbibliotheken — cuBLAS, cuFFT, Thrust — und verlasse mich auf Nsight und Profiler, um genau nachzuweisen, wo der Engpass liegt, und nicht zu raten. Egal, ob es sich um wissenschaftliches HPC, Signalverarbeitung oder ML-Training und -Inference handelt, ich liefere Kerne, die dokumentiert, reproduzierbar und bereit zur Integration in Ihren Build sind.
Wenn der Code langsam ist und Sie an die Prozessorgrenze stoßen, beschreiben Sie die Aufgabe und wo es schmerzt — ich sage Ihnen ehrlich, wie viel GPU gewinnen kann und wie ich dorthin komme.
— CUDA-Kernentwicklung und -optimierung
— Algorithmusportierung von CPU zu GPU
— Speicher- und Bandbreitenoptimierung (global, gemeinsam, Register)
— cuBLAS, cuFFT, Thrust-Integration
— Nsight-Profilierung und Engpassanalyse
— Multi-GPU- und Thread-Konkurrenz
— HPC-Beschleunigung und ML-Training/-Inference-Beschleunigung
Die meisten Projekte beginnen mit bestehendem CPU-Code, der einfach seine Laufzeit überlebt hat. Ich portiere diese Logik Schritt für Schritt auf die GPU, verifiziere die Ergebnisse bei jedem Schritt gegen das Original, damit die Zahlen nicht abweichen, und erhöhe dann die Belegung, den koaleszierten Speicherzugriff und die Thread-Überlappung, bis die Beschleunigung real und messbar wird. Ich arbeite fließend mit dem CUDA Toolkit und Begleitbibliotheken — cuBLAS, cuFFT, Thrust — und verlasse mich auf Nsight und Profiler, um genau nachzuweisen, wo der Engpass liegt, und nicht zu raten. Egal, ob es sich um wissenschaftliches HPC, Signalverarbeitung oder ML-Training und -Inference handelt, ich liefere Kerne, die dokumentiert, reproduzierbar und bereit zur Integration in Ihren Build sind.
Wenn der Code langsam ist und Sie an die Prozessorgrenze stoßen, beschreiben Sie die Aufgabe und wo es schmerzt — ich sage Ihnen ehrlich, wie viel GPU gewinnen kann und wie ich dorthin komme.
— CUDA-Kernentwicklung und -optimierung
— Algorithmusportierung von CPU zu GPU
— Speicher- und Bandbreitenoptimierung (global, gemeinsam, Register)
— cuBLAS, cuFFT, Thrust-Integration
— Nsight-Profilierung und Engpassanalyse
— Multi-GPU- und Thread-Konkurrenz
— HPC-Beschleunigung und ML-Training/-Inference-Beschleunigung
