Informazioni sul servizio
TradottoSono uno sviluppatore GPU e faccio eseguire compiti numerici pesanti ordini di grandezza più velocemente spostandoli sulla scheda grafica. Quando una simulazione, l'elaborazione del segnale o una pipeline ML mantiene la CPU al massimo per ore, profilo dove va effettivamente il tempo, ristrutturo la sezione calda per migliaia di thread paralleli e la riscrivo come kernel CUDA che caricano tutti i multiprocessori di flusso senza tempo inattivo. Mi preoccupo non solo della correttezza ma anche del throughput: come i dati fluiscono attraverso la memoria globale, condivisa e dei registri, quanto sono coerenti i warp e quale frazione della larghezza di banda teorica il kernel effettivamente utilizza su hardware reale.
La maggior parte dei progetti inizia con codice CPU esistente che ha semplicemente superato il suo tempo di esecuzione. Porto quella logica sulla GPU passo dopo passo, verificando i risultati rispetto all'originale in ogni fase in modo che i numeri non si discostino, poi aumento l'occupazione, l'accesso alla memoria coalesciuta e la sovrapposizione dei thread fino a quando l'accelerazione diventa reale e misurabile. Lavoro fluentemente con il CUDA Toolkit e le librerie companion — cuBLAS, cuFFT, Thrust — e mi affido a Nsight e ai profiler per dimostrare esattamente dove si trova il collo di bottiglia, non per indovinare. Che si tratti di HPC scientifico, elaborazione del segnale o addestramento e inferenza ML, fornisco kernel documentati, riproducibili e pronti per essere integrati nel tuo build.
Se il codice è lento e stai colpendo il muro del processore, descrivi il compito e dove fa male — ti dirò onestamente quanto può guadagnare la GPU e come ci arriverò.
— Sviluppo e ottimizzazione di kernel CUDA
— Porting di algoritmi dalla CPU alla GPU
— Ottimizzazione della memoria e della larghezza di banda (globale, condivisa, registri)
— Integrazione cuBLAS, cuFFT, Thrust
— Profilazione Nsight e analisi dei colli di bottiglia
— Concorrenza multi-GPU e thread
— Accelerazione HPC e velocizzazione dell'addestramento/inferenza ML
La maggior parte dei progetti inizia con codice CPU esistente che ha semplicemente superato il suo tempo di esecuzione. Porto quella logica sulla GPU passo dopo passo, verificando i risultati rispetto all'originale in ogni fase in modo che i numeri non si discostino, poi aumento l'occupazione, l'accesso alla memoria coalesciuta e la sovrapposizione dei thread fino a quando l'accelerazione diventa reale e misurabile. Lavoro fluentemente con il CUDA Toolkit e le librerie companion — cuBLAS, cuFFT, Thrust — e mi affido a Nsight e ai profiler per dimostrare esattamente dove si trova il collo di bottiglia, non per indovinare. Che si tratti di HPC scientifico, elaborazione del segnale o addestramento e inferenza ML, fornisco kernel documentati, riproducibili e pronti per essere integrati nel tuo build.
Se il codice è lento e stai colpendo il muro del processore, descrivi il compito e dove fa male — ti dirò onestamente quanto può guadagnare la GPU e come ci arriverò.
— Sviluppo e ottimizzazione di kernel CUDA
— Porting di algoritmi dalla CPU alla GPU
— Ottimizzazione della memoria e della larghezza di banda (globale, condivisa, registri)
— Integrazione cuBLAS, cuFFT, Thrust
— Profilazione Nsight e analisi dei colli di bottiglia
— Concorrenza multi-GPU e thread
— Accelerazione HPC e velocizzazione dell'addestramento/inferenza ML
