GPU Guide
1.0.0
Catatan: Anda dapat dengan mudah mengonversi file penurunan harga ini ke PDF di VSCode menggunakan ekstensi praktis ini Markdown PDF.
Bagaimana CPU dan GPU bekerja sama saat menjalankan kode aplikasi.
Arsitektur Memori Terpadu
Sumber Belajar GPU
Muatan listrik, medan, dan potensial
Muatan dan gaya listrik (hukum Coulomb): Muatan listrik, medan, dan potensial
Medan listrik: Muatan listrik, medan, dan potensial
Energi potensial listrik, potensial listrik, dan tegangan: Muatan listrik, medan, dan potensial listrik
Sirkuit
Hukum Ohm dan rangkaian dengan resistor: Sirkuit
Sirkuit dengan kapasitor: Sirkuit
Gaya magnet, medan magnet, dan hukum Faraday
Magnet dan Gaya Magnet: Gaya magnet, medan magnet, dan hukum Faraday
Medan magnet yang ditimbulkan oleh arus: Gaya magnet, medan magnet, dan hukum Faraday
Motor listrik: Gaya magnet, medan magnet, dan hukum Faraday
Fluks magnet dan hukum Faraday
Gelombang elektromagnetik dan interferensi
Pengantar Gelombang Elektromagnetik : Gelombang Elektromagnetik dan Interferensinya
Interferensi gelombang elektromagnetik
Optik geometris
Refleksi dan refraksi: Optik geometris
Cermin: Optik geometris
Lensa
Aljabar Linier
Virtualisasi
Komputasi Paralel
Pengembangan OpenCL
Pengembangan CUDA
Algoritma
Pembelajaran Mesin
Pengembangan Pembelajaran Mendalam
Pengembangan Visi Komputer
Permainan
Pengembangan Permainan
Pengembangan OpenGL
Pengembangan Vulkan
Pengembangan DirectX
Pengembangan Audio/Video Profesional
Grafik & Desain 3D
silikon apel
Pengembangan Inti ML
Perkembangan Logam
Pengembangan MATLAB
Pengembangan C/C++
Pengembangan Python
Pengembangan R
Perkembangan Julia
Kembali ke Atas
Graphics Processing Unit (GPU) adalah sirkuit yang terdiri dari ratusan inti yang dapat menangani ribuan thread secara bersamaan. GPU dapat dengan cepat memanipulasi dan mengubah memori untuk mempercepat pembuatan gambar dalam buffer bingkai yang dimaksudkan untuk keluaran ke perangkat tampilan. Mereka digunakan dalam sistem tertanam, telepon seluler, komputer pribadi, stasiun kerja profesional, dan konsol permainan.
Random Access Memory (RAM) adalah bentuk memori komputer yang dapat dibaca dan diubah dalam urutan apa pun, biasanya digunakan untuk menyimpan data kerja dan kode mesin. Perangkat memori akses acak memungkinkan item data dibaca atau ditulis dalam jumlah waktu yang hampir sama terlepas dari lokasi fisik data di dalam memori, berbeda dengan media penyimpanan data akses langsung lainnya.
Video Random Access Memory (VRAM) adalah RAM yang dialokasikan untuk menyimpan data terkait gambar atau grafik. Fungsinya sama seperti RAM, menyimpan data tertentu untuk akses dan kinerja yang lebih mudah. Data gambar pertama kali dibaca oleh prosesor dan ditulis pada VRAM. Ini kemudian diubah oleh RAMDAC atau konverter digital-ke-analog RAM dan ditampilkan sebagai output grafis.
Graphics Double Data Rate (GDDR) SDRAM adalah jenis memori akses acak grafis sinkron (SGRAM) dengan antarmuka bandwidth tinggi ("double data rate") yang dirancang untuk digunakan dalam kartu grafis, konsol game, dan komputasi kinerja tinggi.
Unit Pemrosesan Grafis Terintegrasi (IGPU) adalah komponen yang dibangun pada cetakan yang sama (sirkuit terintegrasi) dengan CPU (AMD Ryzen APU atau Intel HD Graphics) yang menggunakan sebagian dari RAM sistem komputer, bukan memori grafis khusus.
Tensor adalah objek aljabar yang menggambarkan hubungan multilinear antara kumpulan objek aljabar yang terkait dengan ruang vektor. Objek yang dapat dipetakan oleh tensor antara vektor, skalar, dan tensor lainnya.
Tensor adalah array multidimensi dengan tipe seragam (disebut dtype).
Tensor Cores adalah akselerator inferensi AI di GPU NVIDIA yang memberikan performa lebih tinggi dengan presisi yang lebih rendah seperti TF32, bfloat16, FP16, INT8, INT4, dan FP64, untuk mempercepat komputasi ilmiah dengan akurasi tertinggi yang diperlukan.
RT (Real-time ray tracing) Cores adalah akselerasi ray tracing berbasis perangkat keras yang mempercepat fungsi traversal Bounding Volume Hierarchy (BVH) dan pengujian persimpangan sinar/segitiga (ray casting). RT Cores melakukan pengujian visibilitas atas nama thread yang berjalan di SM, memungkinkannya menangani pekerjaan vertex, piksel, dan komputasi bayangan lainnya.
Central Processing Unit (CPU) adalah sirkuit yang terdiri dari beberapa inti yang menjalankan instruksi yang terdiri dari program komputer. CPU melakukan operasi aritmatika dasar, logika, pengendalian, dan input/output (I/O) yang ditentukan oleh instruksi dalam program. Ini berbeda dengan komponen eksternal lainnya seperti memori utama, sirkuit I/O, dan unit pemrosesan grafis (GPU).
AMD Accelerated Processing Unit (APU) serangkaian mikroprosesor 64-bit dari Advanced Micro Devices (AMD), dirancang untuk bertindak sebagai unit pemrosesan pusat (CPU) dan unit pemrosesan grafis (GPU) pada satu cetakan.
Prosesor Vektor adalah unit pemrosesan pusat (CPU) yang mengimplementasikan kumpulan instruksi yang instruksinya dirancang untuk beroperasi secara efisien dan efektif pada array data satu dimensi besar yang disebut vektor.
Pemrosesan Sinyal Digital (DSP) adalah aplikasi komputer digital untuk memodifikasi sinyal analog atau digital. Ini banyak digunakan dalam banyak aplikasi termasuk komunikasi dan jaringan video/audio/data, pencitraan medis dan visi komputer, sintesis dan pengkodean ucapan, audio dan video digital, dan kontrol sistem yang kompleks dan proses industri.
Pemrosesan Sinyal Gambar (ISP) adalah proses mengubah gambar menjadi bentuk digital dengan melakukan operasi seperti pengurangan noise, eksposur otomatis, fokus otomatis, white balance otomatis, koreksi HDR, dan penajaman gambar dengan jenis prosesor media khusus.
Sirkuit Terpadu Khusus Aplikasi (ASICs) adalah chip sirkuit terintegrasi (IC) yang disesuaikan untuk penggunaan tertentu dalam sistem tertanam, telepon seluler, komputer pribadi, stasiun kerja profesional, dan bukan dimaksudkan untuk penggunaan umum.
Instruksi Tunggal, Banyak Data (SIMD) adalah jenis pemrosesan paralel yang menggambarkan komputer dengan beberapa elemen pemrosesan yang melakukan operasi yang sama pada beberapa titik data secara bersamaan.
Apa itu GPU? Unit Pemrosesan Grafis Ditetapkan | Intel
Institut Pembelajaran Mendalam dan Solusi Pelatihan | NVIDIA
Kursus Online Pembelajaran Mendalam | NVIDIA
Program Universitas yang Ada | Pengembang NVIDIA
Menggunakan GPU untuk Menskalakan dan Mempercepat Pembelajaran Mendalam | edX
Kursus GPU Online Teratas | Kursus
Pemrograman GPU CUDA Pemula Hingga Mahir | Udemy
Komputasi GPU di Vulkan | Udemy
Kursus Arsitektur GPU | Universitas Washington
Kembali ke Atas
- Charge and electric force (Coulomb's law): Electric charge, field, and potential - Electric field: Electric charge, field, and potential - Electric potential energy, electric potential, and voltage: Electric charge, field, and potential
Energi Potensial Listrik. Sumber: sparkfun
Kembali ke Atas
- Ohm's law and circuits with resistors: Circuits - Circuits with capacitors: Circuits
Sirkuit Listrik. Sumber: sdsu-fisika
Simbol Sirkuit.Sumber: andrewpover.co.uk
Kembali ke Atas
- Magnets and Magnetic Force: Magnetic forces, magnetic fields, and Faraday's law - Magnetic field created by a current: Magnetic forces, magnetic fields, and Faraday's law - Electric motors: Magnetic forces, magnetic fields, and Faraday's law - Magnetic flux and Faraday's law
Medan Magnet. Sumber: vecteezy
Hukum Ampere. Sumber: sdsu-fisika
hukum Farady. Sumber: sdsu-fisika
Kembali ke Atas
- Introduction to electromagnetic waves: Electromagnetic waves and interference - Interference of electromagnetic waves
Gelombang Elektromagnetik. Sumber: perbedaan antara
Spektrum EMI. Sumber: electrical4u
Kembali ke Atas
- Reflection and refraction: Geometric optics - Mirrors: Geometric optics - Lenses
Optik Geometris - Raytracing. Sumber: sdsu-fisika
Optik Geometris - Refleksi. Sumber: sdsu-fisika
Kembali ke Atas
Aljabar linier adalah matematika vektor dan matriks. Satu-satunya prasyarat untuk panduan ini adalah pemahaman dasar konsep matematika sekolah menengah seperti bilangan, variabel, persamaan, dan operasi aritmatika dasar pada bilangan real: penjumlahan (dilambangkan +), pengurangan (dilambangkan −), perkalian (dilambangkan secara implisit), dan pembagian (pecahan). Selain itu, Anda juga harus memahami fungsi yang menggunakan bilangan real sebagai masukan dan memberikan bilangan real sebagai keluaran, f : R → R.
Aljabar Linier - Kursus Online | Universitas Harvard
Aljabar Linier | Perpustakaan Pembelajaran Terbuka MIT
Aljabar Linier - Akademi Khan
Kursus Aljabar Linear Terbaik di Coursera
Matematika untuk Pembelajaran Mesin: Aljabar Linier di Coursera
Kursus Aljabar Linear Terbaik di Udemy
Pelajari Aljabar Linier dengan Kursus dan Kelas Online di edX
Kursus Matematika Ilmu Data: Aljabar Linier di edX
Aljabar Linier dalam Dua Puluh Lima Perkuliahan | UC Davis
Aljabar Linier | Ekstensi UC San Diego
Aljabar Linier untuk Pembelajaran Mesin | Ekstensi UC San Diego
Pengantar Aljabar Linier, Video Online Interaktif | Wolfram
Sumber Daya Aljabar Linier | Mulut Dart
Sekarang kita mendefinisikan operasi matematika untuk vektor. Operasi yang dapat kita lakukan pada vektor ~u = (u1, u2, u3) dan ~v = (v1, v2, v3) adalah: penjumlahan, pengurangan, penskalaan, norma (panjang), perkalian titik, dan perkalian silang:
Perkalian titik dan perkalian silang dua vektor juga dapat dinyatakan dalam sudut θ antara kedua vektor.
Operasi Vektor. Sumber: slideserv
Operasi Vektor. Sumber: pinterest
Kita menyatakan matriks secara keseluruhan dengan A dan merujuk pada entri-entrinya sebagai aij. Operasi matematika yang didefinisikan untuk matriks adalah sebagai berikut:
• determinan (dilambangkan det(A) atau |A|) Perhatikan bahwa hasil kali matriks bukan operasi komutatif.
Operasi Matriks. Sumber : Fisika SDSU
Periksa modul yang mengizinkan Operasi Matriks. Sumber: Konsep DPS
Perkalian matriks-vektor merupakan kasus khusus yang penting dari perkalian matriks.
Ada dua cara yang berbeda secara mendasar namun setara untuk menafsirkan produk matriks-vektor. Pada gambar kolom (C), perkalian matriks A dengan vektor ~x menghasilkan kombinasi linier kolom-kolom matriks tersebut: y = A x = x1A[:,1] + x2A[:,2], dimana A[:,1] dan A[:,2] adalah kolom pertama dan kedua dari matriks A. Pada gambar baris (R), perkalian matriks A dengan vektor ~x menghasilkan vektor kolom dengan koefisien sama dengan perkalian titik dari baris-baris matriks dengan vektor ~x.
Produk matriks-vektor. Sumber: wikimedia
Produk matriks-vektor. Sumber: mathisfun
Produk matriks-vektor digunakan untuk mendefinisikan pengertian transformasi linier, yang merupakan salah satu gagasan utama dalam studi aljabar linier. Perkalian dengan matriks A ∈ R m×n dapat dianggap sebagai komputasi transformasi linier TA yang mengambil n-vektor sebagai masukan dan menghasilkan m-vektor sebagai keluaran:
Transformasi Linier. Sumber: slideserv
Matriks dasar untuk transformasi linier dalam R^2. Sumber: Quora
Teorema dasar aljabar linier untuk Ruang Vektor. Sumber: wikimedia
Teorema dasar aljabar linier. Sumber: wolfram
Sistem Persamaan Linier dengan Grafik. Sumber: slideshare
Sistem persamaan sebagai persamaan matriks. Sumber: mathisfun
Pada bagian ini kita akan melihat beberapa pendekatan berbeda untuk menghitung invers suatu matriks. Invers matriks bersifat unik sehingga apa pun metode yang kita gunakan untuk mencari invers, kita akan selalu memperoleh jawaban yang sama.
Invers Matriks 2x2. Sumber: pinterest
Salah satu pendekatan untuk menghitung kebalikannya adalah dengan menggunakan prosedur eliminasi Gauss – Jordan.
Operasi baris elemen. Sumber: YouTube
Setiap operasi baris yang kita lakukan pada suatu matriks setara dengan perkalian kiri dengan matriks elementer.
Matriks Dasar. Sumber : Fisika SDSU
Mencari invers suatu matriks adalah dengan menggunakan metode Transpose.
Transpos Matriks. Sumber: slideserv
Pada bagian ini membahas sejumlah topik penting lainnya dari aljabar linier.
Secara intuitif, basis adalah himpunan vektor apa pun yang dapat digunakan sebagai sistem koordinat ruang vektor. Anda pasti sudah familiar dengan basis standar bidang xy yang terdiri dari dua sumbu ortogonal: sumbu x dan sumbu y.
Dasar. Sumber: wikimedia
Perubahan Dasar. Sumber: wikimedia
Representasi matriks transformasi linier. Sumber: slideserv
Dimensi ruang vektor didefinisikan sebagai jumlah vektor dalam basis ruang vektor tersebut. Perhatikan ruang vektor berikut S = span{(1, 0, 0),(0, 1, 0),(1, 1, 0)}. Melihat ruang digambarkan oleh tiga vektor, kita mungkin mengira S adalah 3 dimensi. Namun hal ini tidak terjadi karena ketiga vektor tersebut tidak bebas linier sehingga tidak membentuk basis untuk S. Dua vektor cukup untuk mendeskripsikan vektor mana pun di S; kita dapat menulis S = span{(1, 0, 0),(0, 1, 0)}, dan kita melihat kedua vektor ini bebas linier sehingga membentuk basis dan dim(S) = 2. Ada persamaan umum prosedur mencari basis ruang vektor. Misalkan Anda diberikan deskripsi ruang vektor dalam bentuk m vektor V = span{~v1, ~v2, . . . , ~vm} dan Anda diminta mencari basis untuk V dan dimensi V. Untuk mencari basis untuk V, Anda harus mencari himpunan vektor bebas linier yang merentang V. Kita dapat menggunakan prosedur eliminasi Gauss–Jordan untuk menyelesaikan tugas ini. Tuliskan vektor ~vi sebagai baris-baris matriks M. Ruang vektor V sama dengan ruang baris matriks M. Selanjutnya, gunakan operasi baris untuk mencari bentuk eselon baris tereduksi (RREF) matriks M. Sejak operasi baris tidak mengubah ruang baris matriks, ruang baris bentuk eselon baris tereduksi matriks M sama dengan ruang baris himpunan vektor asal. Baris-baris bukan nol pada RREF matriks membentuk basis untuk ruang vektor V dan banyaknya baris bukan nol adalah dimensi V.
Dasar dan Dimensi. Sumber: sliderserve
Ingat kembali ruang vektor fundamental untuk matriks yang kita definisikan di Bagian II-E: ruang kolom C(A), ruang nol N (A), dan ruang baris R(A). Soal ujian aljabar linier standar adalah memberi Anda matriks A tertentu dan meminta Anda mencari dimensi dan basis untuk setiap ruang fundamentalnya. Pada bagian sebelumnya telah dijelaskan prosedur berdasarkan eliminasi Gauss–Jordan yang dapat digunakan untuk “menyaring” sekumpulan vektor bebas linier yang membentuk basis untuk ruang baris R(A). Sekarang kita akan mengilustrasikan prosedur ini dengan sebuah contoh, dan juga menunjukkan bagaimana menggunakan RREF matriks A untuk mencari basis untuk C(A) dan N (A).
Ruang baris dan ruang kolom. Sumber: slideshare
Ruang baris dan ruang kolom. Sumber: slideshare
Pangkat dan Nullitas. Sumber: slideshare
Ada perbedaan penting antara matriks yang dapat dibalik dan matriks yang tidak diformalkan oleh teorema berikut. Dalil. Untuk matriks A berukuran n×n, pernyataan berikut ini ekuivalen:
Teorema Matriks Terbalik. Sumber : Fisika SDSU
Penentu suatu matriks, dilambangkan dengan det(A) atau |A|, adalah cara khusus untuk menggabungkan entri-entri suatu matriks yang berfungsi untuk memeriksa apakah suatu matriks dapat dibalik atau tidak.
Penentu Matriks Persegi. Sumber: pertukaran tumpukan
Penentu matriks. Sumber: pembelajaran matematika online
Himpunan vektor eigen suatu matriks adalah himpunan vektor masukan khusus yang tindakan matriksnya digambarkan sebagai penskalaan sederhana. Ketika suatu matriks dikalikan dengan salah satu vektor eigennya, keluarannya adalah vektor eigen yang sama dikalikan dengan konstanta A eλ = λ eλ. Konstanta λ disebut nilai eigen dari A.
Vektor Eigen Umum. Sumber: YouTube
Regresi linier adalah suatu pendekatan untuk memodelkan hubungan antara dua variabel dengan menyesuaikan persamaan linier dengan data yang diamati. Variabel yang satu dianggap sebagai variabel penjelas, dan variabel lainnya dianggap sebagai variabel terikat.
Regresi Linier Berganda. Sumber: Sedang
Kembali ke Atas
HVM (Hardware Virtual Machine) adalah jenis virtualisasi yang menyediakan kemampuan untuk menjalankan sistem operasi langsung di atas mesin virtual tanpa modifikasi apa pun, seolah-olah dijalankan pada perangkat keras bare-metal.
PV (ParaVirtualization) adalah teknik virtualisasi yang efisien dan ringan yang diperkenalkan oleh tim Proyek Xen, kemudian diadopsi oleh solusi virtualisasi lainnya. PV tidak memerlukan ekstensi virtualisasi dari CPU host dan dengan demikian memungkinkan virtualisasi pada arsitektur perangkat keras yang tidak mendukung virtualisasi berbantuan perangkat keras.
Virtualisasi fungsi jaringan (NFV) adalah penggantian perangkat keras alat jaringan dengan mesin virtual. Mesin virtual menggunakan hypervisor untuk menjalankan perangkat lunak jaringan dan proses seperti perutean dan penyeimbangan beban. NFV memungkinkan pemisahan layanan komunikasi dari perangkat keras khusus, seperti router dan firewall. Pemisahan ini berarti operasi jaringan dapat menyediakan layanan baru secara dinamis dan tanpa memasang perangkat keras baru. Menyebarkan komponen jaringan dengan virtualisasi fungsi jaringan hanya membutuhkan waktu berjam-jam dibandingkan berbulan-bulan seperti pada solusi jaringan tradisional.
Software Defined Networking (SDN) adalah pendekatan jaringan yang menggunakan pengontrol berbasis perangkat lunak atau antarmuka pemrograman aplikasi (API) untuk berkomunikasi dengan infrastruktur perangkat keras yang mendasarinya dan mengarahkan lalu lintas di jaringan. Model ini berbeda dengan jaringan tradisional, yang menggunakan perangkat keras khusus (router dan switch) untuk mengontrol lalu lintas jaringan.
Virtualized Infrastructure Manager (VIM) adalah pemberian layanan dan mengurangi biaya dengan manajemen siklus hidup berkinerja tinggi. Kelola siklus hidup penuh perangkat lunak dan perangkat keras yang terdiri dari infrastruktur NFV (NFVI) Anda, dan pertahankan inventaris langsung dan rencana alokasi sumber daya fisik dan virtual.
Management and Orchestration (MANO) adalah inisiatif yang diselenggarakan oleh ETSI untuk mengembangkan tumpukan perangkat lunak Open Source NFV Management and Orchestration (MANO) yang selaras dengan ETSI NFV. Dua komponen utama kerangka arsitektur ETSI NFV adalah NFV Orchestrator dan VNF Manager, yang dikenal sebagai NFV MANO.
Magma adalah platform perangkat lunak sumber terbuka yang memberikan operator jaringan solusi jaringan inti seluler yang terbuka, fleksibel, dan dapat diperluas. Misi mereka adalah menghubungkan dunia ke jaringan yang lebih cepat dengan memungkinkan penyedia layanan membangun jaringan tingkat operator yang hemat biaya dan dapat diperluas. Magma adalah generasi 3GPP (jaringan 2G, 3G, 4G atau 5G yang akan datang) dan jaringan akses agnostik (seluler atau WiFi). Ini dapat secara fleksibel mendukung jaringan akses radio dengan upaya pengembangan dan penerapan yang minimal.
OpenRAN adalah Jaringan Akses Radio (RAN) cerdas yang terintegrasi pada platform tujuan umum dengan antarmuka terbuka antara fungsi yang ditentukan perangkat lunak. Open RANecosystem memungkinkan fleksibilitas dan interoperabilitas yang luar biasa dengan keterbukaan penuh terhadap penerapan multi-vendor.
Open vSwitch (OVS) adalah saklar virtual multilayer berkualitas produksi sumber terbuka yang dilisensikan di bawah lisensi sumber terbuka Apache 2.0. Ini dirancang untuk memungkinkan otomatisasi jaringan besar-besaran melalui ekstensi terprogram, sambil tetap mendukung antarmuka dan protokol manajemen standar (NetFlow, sFlow, IPFIX, RSPAN, CLI, LACP, 802.1ag).
Edge adalah kerangka kerja komputasi terdistribusi yang mendekatkan aplikasi perusahaan ke sumber data seperti perangkat IoT atau server edge lokal. Kedekatan dengan data pada sumbernya dapat memberikan manfaat bisnis yang besar, termasuk wawasan yang lebih cepat, waktu respons yang lebih baik, dan ketersediaan bandwidth yang lebih baik.
Komputasi tepi multi-akses (MEC) adalah Grup Spesifikasi Industri (ISG) dalam ETSI untuk menciptakan lingkungan terbuka dan terstandarisasi yang memungkinkan integrasi aplikasi dari vendor, penyedia layanan, dan pihak ketiga secara efisien dan lancar di seluruh multi-vendor Multi -Akses platform Edge Computing.
Fungsi jaringan tervirtualisasi (VNFs) adalah aplikasi perangkat lunak yang digunakan dalam implementasi Virtualisasi Fungsi Jaringan (NFV) yang memiliki antarmuka yang terdefinisi dengan baik, dan menyediakan satu atau lebih fungsi jaringan komponen dengan cara yang ditentukan. Misalnya, VNF keamanan menyediakan fungsi Network Address Translation (NAT) dan komponen firewall.
Cloud-Native Network Functions (CNF) adalah fungsi jaringan yang dirancang dan diimplementasikan untuk dijalankan di dalam container. CNF mewarisi semua prinsip arsitektur dan operasional cloud native termasuk manajemen siklus hidup Kubernetes (K8), kelincahan, ketahanan, dan kemampuan observasi.
Fungsi Jaringan Fisik (PNF) adalah node jaringan fisik yang belum mengalami virtualisasi. Baik PNF maupun VNF (Fungsi Jaringan Virtual) dapat digunakan untuk membentuk Layanan Jaringan secara keseluruhan.
Infrastruktur virtualisasi fungsi jaringan (NFVI) adalah fondasi arsitektur NFV secara keseluruhan. Ini menyediakan komputasi fisik, penyimpanan, dan perangkat keras jaringan yang menampung VNF. Setiap blok NFVI dapat dianggap sebagai node NFVI dan banyak node dapat dikerahkan dan dikendalikan secara geografis.
Keamanan Berbasis Virtualisasi (VBS) adalah fitur virtualisasi perangkat keras untuk membuat dan mengisolasi wilayah memori aman dari sistem operasi normal.
Integritas Kode yang Ditegakkan Hypervisor (HVCI) adalah mekanisme dimana hypervisor, seperti Hyper-V, menggunakan virtualisasi perangkat keras untuk melindungi proses mode kernel terhadap injeksi dan eksekusi kode berbahaya atau tidak terverifikasi. Validasi integritas kode dilakukan di lingkungan aman yang tahan terhadap serangan perangkat lunak berbahaya, dan izin halaman untuk mode kernel diatur dan dikelola oleh hypervisor.
KVM (untuk Mesin Virtual berbasis Kernel) adalah solusi virtualisasi lengkap untuk Linux pada perangkat keras x86 yang berisi ekstensi virtualisasi (Intel VT atau AMD-V). Ini terdiri dari modul kernel yang dapat dimuat, kvm.ko, yang menyediakan infrastruktur virtualisasi inti dan modul khusus prosesor, kvm-intel.ko atau kvm-amd.ko.
QEMU adalah emulator prosesor cepat yang menggunakan penerjemah dinamis portabel. QEMU mengemulasi sistem lengkap, termasuk prosesor dan berbagai periferal. Ini dapat digunakan untuk meluncurkan Sistem Operasi yang berbeda tanpa me-reboot PC atau untuk men-debug kode sistem.
Hyper-V memungkinkan menjalankan sistem komputer tervirtualisasi di atas host fisik. Sistem tervirtualisasi ini dapat digunakan dan dikelola seolah-olah merupakan sistem komputer fisik, namun berada dalam lingkungan tervirtualisasi dan terisolasi. Perangkat lunak khusus yang disebut hypervisor mengelola akses antara sistem virtual dan sumber daya perangkat keras fisik. Virtualisasi memungkinkan penerapan sistem komputer dengan cepat, cara untuk memulihkan sistem dengan cepat ke kondisi baik yang diketahui sebelumnya, dan kemampuan untuk memigrasikan sistem antar host fisik.
VirtManager adalah alat grafis untuk mengelola mesin virtual melalui libvirt. Sebagian besar penggunaannya dilakukan dengan mesin virtual QEMU/KVM, tetapi container Xen dan libvirt LXC didukung dengan baik. Operasi umum untuk driver libvirt apa pun seharusnya berfungsi.
oVirt adalah solusi virtualisasi terdistribusi sumber terbuka, yang dirancang untuk mengelola seluruh infrastruktur perusahaan Anda. oVirt menggunakan hypervisor KVM tepercaya dan dibangun di atas beberapa proyek komunitas lainnya, termasuk libvirt, Gluster, PatternFly, dan Ansible. Didirikan oleh Red Hat sebagai proyek komunitas yang menjadi dasar Red Hat Enterprise Virtualization yang memungkinkan manajemen mesin virtual terpusat, komputasi , sumber daya penyimpanan dan jaringan, dari front-end berbasis web yang mudah digunakan dengan akses platform independen.
HyperKit adalah toolkit untuk menyematkan kemampuan hypervisor dalam aplikasi Anda. Ini mencakup hypervisor lengkap, berdasarkan xhyve/bhyve, yang dioptimalkan untuk mesin virtual ringan dan penerapan container. Ini dirancang untuk dihubungkan dengan komponen tingkat yang lebih tinggi seperti VPNKit dan DataKit. HyperKit saat ini hanya mendukung macOS menggunakan Hypervisor.framework menjadikannya komponen inti Docker Desktop untuk Mac.
Intel® Graphics Virtualization Technology (Intel® GVT) adalah solusi virtualisasi GPU lengkap dengan pass-through yang dimediasi, mulai dari prosesor Intel Core (TM) generasi ke-4 dengan grafis prosesor Intel (Broadwell dan yang lebih baru). Ini dapat digunakan untuk memvirtualisasikan GPU untuk beberapa mesin virtual tamu, secara efektif memberikan kinerja grafis yang mendekati asli di mesin virtual dan tetap membiarkan host Anda menggunakan GPU tervirtualisasi secara normal.
Apple Hypervisor adalah kerangka kerja yang membangun solusi virtualisasi di atas hypervisor ringan, tanpa ekstensi kernel pihak ketiga. Hypervisor menyediakan C API sehingga Anda dapat berinteraksi dengan teknologi virtualisasi di ruang pengguna, tanpa menulis ekstensi kernel (KEXTs). Hasilnya, aplikasi yang Anda buat menggunakan kerangka ini cocok untuk didistribusikan di Mac App Store.
Kerangka Virtualisasi Apple adalah kerangka kerja yang menyediakan API tingkat tinggi untuk membuat dan mengelola mesin virtual pada silikon Apple dan komputer Mac berbasis Intel. Kerangka kerja ini digunakan untuk mem-boot dan menjalankan sistem operasi berbasis Linux di lingkungan kustom yang Anda tentukan. Ini juga mendukung spesifikasi Virtio, yang mendefinisikan antarmuka standar untuk banyak jenis perangkat, termasuk jaringan, soket, port serial, penyimpanan, entropi, dan perangkat balon memori.
Apple Paravirtualized Graphics Framework adalah kerangka kerja yang mengimplementasikan grafis yang dipercepat perangkat keras untuk macOS yang berjalan di mesin virtual, yang selanjutnya dikenal sebagai tamu. Sistem operasi menyediakan driver grafis yang berjalan di dalam tamu, berkomunikasi dengan kerangka kerja di sistem operasi host untuk memanfaatkan grafis yang dipercepat Metal.
Cloud Hypervisor adalah Virtual Machine Monitor (VMM) open source yang berjalan di atas KVM. Proyek ini berfokus pada menjalankan beban kerja cloud modern secara eksklusif, di atas serangkaian arsitektur dan platform perangkat keras yang terbatas. Beban kerja cloud merujuk pada beban kerja yang biasanya dijalankan oleh pelanggan di dalam penyedia cloud. Cloud Hypervisor diimplementasikan di Rust dan didasarkan pada peti Rust-vmm.
VMware vSphere Hypervisor adalah hypervisor bare-metal yang memvirtualisasikan server; memungkinkan Anda mengkonsolidasikan aplikasi sekaligus menghemat waktu dan uang dalam mengelola infrastruktur TI Anda.
Xen berfokus pada kemajuan virtualisasi di sejumlah aplikasi komersial dan sumber terbuka yang berbeda, termasuk virtualisasi server, Infrastruktur sebagai Layanan (IaaS), virtualisasi desktop, aplikasi keamanan, peralatan tertanam dan perangkat keras, serta otomotif/penerbangan.
Ganeti adalah alat manajemen cluster mesin virtual yang dibangun di atas teknologi virtualisasi yang ada seperti Xen atau KVM dan perangkat lunak sumber terbuka lainnya. Setelah diinstal, alat ini mengambil alih pengelolaan instance virtual (Xen DomU).
Packer adalah alat sumber terbuka untuk membuat image mesin yang identik untuk berbagai platform dari konfigurasi sumber tunggal. Packer ringan, berjalan di setiap sistem operasi utama, dan berperforma tinggi, membuat image mesin untuk berbagai platform secara paralel. Packer tidak menggantikan manajemen konfigurasi seperti Chef atau Puppet. Faktanya, saat membuat gambar, Packer dapat menggunakan alat seperti Chef atau Puppet untuk menginstal perangkat lunak ke dalam gambar.
Vagrant adalah alat untuk membangun dan mengelola lingkungan mesin virtual dalam satu alur kerja. Dengan alur kerja yang mudah digunakan dan fokus pada otomatisasi, Vagrant menurunkan waktu penyiapan lingkungan pengembangan, meningkatkan keseimbangan produksi, dan menjadikan alasan "bekerja pada mesin saya" sebagai peninggalan masa lalu. Ini memberikan lingkungan kerja yang mudah dikonfigurasi, dapat direproduksi, dan portabel yang dibangun di atas teknologi standar industri dan dikendalikan oleh satu alur kerja yang konsisten untuk membantu memaksimalkan produktivitas dan fleksibilitas Anda dan tim Anda.
Parallels Desktop adalah Desktop Hypervisor yang menghadirkan aplikasi tercepat, termudah, dan terkuat untuk menjalankan Windows/Linux di Mac (termasuk chip Apple M1 baru) dan ChromeOS.
VMware Fusion adalah Desktop Hypervisor yang menghadirkan mesin virtual desktop dan 'server', container, dan cluster Kubernetes kepada pengembang, dan profesional TI di Mac.
VMware Workstation adalah hypervisor yang dihosting yang berjalan pada sistem operasi Windows dan Linux versi x64; ini memungkinkan pengguna untuk mengatur mesin virtual pada satu mesin fisik, dan menggunakannya secara bersamaan dengan mesin sebenarnya.
Kembali ke Atas
Komputasi Paralel adalah lingkungan komputasi di mana dua atau lebih prosesor (inti, komputer) bekerja secara bersamaan untuk memecahkan satu masalah. Permasalahan yang besar seringkali dapat dipecah menjadi permasalahan yang lebih kecil, yang kemudian dapat diselesaikan pada saat yang bersamaan. Ada beberapa bentuk komputasi paralel yang berbeda: [tingkat bit]https://en.wikipedia.org/wiki/Bit-level_parallelism), tingkat instruksi, data, dan paralelisme tugas.
Komputasi yang Dipercepat - Pelatihan | Pengembang NVIDIA
Dasar-dasar Komputasi yang Dipercepat dengan Kursus Python CUDA | NVIDIA
Kursus Online Komputasi Paralel Terpopuler | Kursus
Kursus Online Komputasi Paralel Terpopuler | Udemy
Kelas Master Komputasi Ilmiah: Paralel dan Terdistribusi
Pelajari Komputasi Paralel dengan Python | Udemy
Komputasi GPU di Vulkan | Udemy
Kursus Komputasi Kinerja Tinggi | kota Uda
Kursus Komputasi Paralel | Stanford Daring
Komputasi Paralel | OpenCourseware MIT
Paralelisme Multithread: Bahasa dan Penyusun | OpenCourseware MIT
Komputasi Paralel dengan CUDA | pandangan jamak
Arsitektur HPC dan Desain Sistem | Intel
MATLAB Parallel Server™ adalah alat yang memungkinkan Anda menskalakan program MATLAB® dan simulasi Simulink® ke cluster dan cloud. Anda dapat membuat prototipe program dan simulasi Anda di desktop dan kemudian menjalankannya di cluster dan cloud tanpa pengodean ulang. MATLAB Parallel Server mendukung pekerjaan batch, komputasi paralel interaktif, dan komputasi terdistribusi dengan matriks besar.
Parallel Computing Toolbox™ adalah alat yang memungkinkan Anda memecahkan masalah komputasi dan data intensif menggunakan prosesor multicore, GPU, dan cluster komputer. Konstruksi tingkat tinggi seperti for-loop paralel, tipe array khusus, dan algoritma numerik paralel memungkinkan Anda memparalelkan aplikasi MATLAB® tanpa pemrograman CUDA atau MPI. Toolbox memungkinkan Anda menggunakan fungsi yang diaktifkan secara paralel di MATLAB dan toolbox lainnya. Anda dapat menggunakan kotak peralatan dengan Simulink® untuk menjalankan beberapa simulasi model secara paralel. Program dan model dapat dijalankan dalam mode interaktif dan batch.
Statistics and Machine Learning Toolbox™ adalah alat yang menyediakan fungsi dan aplikasi untuk mendeskripsikan, menganalisis, dan memodelkan data. Anda dapat menggunakan statistik deskriptif, visualisasi, dan pengelompokan untuk analisis data eksplorasi; menyesuaikan distribusi probabilitas dengan data; menghasilkan angka acak untuk simulasi Monte Carlo, dan melakukan uji hipotesis. Algoritma regresi dan klasifikasi memungkinkan Anda menarik kesimpulan dari data dan membuat model prediktif baik secara interaktif, menggunakan aplikasi Classification and Regression Learner, atau secara terprogram, menggunakan AutoML.
OpenMP adalah API yang mendukung pemrograman paralel memori bersama multi-platform di C/C++ dan Fortran. OpenMP API mendefinisikan model portabel dan terukur dengan antarmuka sederhana dan fleksibel untuk mengembangkan aplikasi paralel pada platform dari desktop hingga superkomputer.
CUDA® adalah platform komputasi paralel dan model pemrograman yang dikembangkan oleh NVIDIA untuk komputasi umum pada unit pemrosesan grafis (GPU). Dengan CUDA, pengembang dapat mempercepat aplikasi komputasi secara dramatis dengan memanfaatkan kekuatan GPU.
Message Passing Interface (MPI) adalah standar penyampaian pesan terstandarisasi dan portabel yang dirancang untuk berfungsi pada arsitektur komputasi paralel.
Microsoft MPI (MS-MPI) adalah implementasi Microsoft dari standar antarmuka yang lewat pesan untuk mengembangkan dan menjalankan aplikasi paralel pada platform Windows.
Slurm adalah manajer beban kerja open-source gratis yang dirancang khusus untuk memenuhi kebutuhan komputasi kinerja tinggi yang menuntut.
Portable Batch System (PBS) Pro adalah manajer beban kerja yang cepat dan kuat yang dirancang untuk meningkatkan produktivitas, mengoptimalkan pemanfaatan dan efisiensi, dan menyederhanakan administrasi untuk cluster, awan, dan superkomputer.
AWS ParallelCluster adalah alat manajemen kluster open source yang didukung AWS yang memudahkan Anda untuk menggunakan dan mengelola kelompok komputasi kinerja tinggi (HPC) di AWS. ParallelCluster menggunakan file teks sederhana untuk memodelkan dan menyediakan semua sumber daya yang dibutuhkan untuk aplikasi HPC Anda dengan cara otomatis dan aman.
NUMBA adalah open source, numpy-sadar mengoptimalkan kompiler untuk python yang disponsori oleh Anaconda, Inc. menggunakan proyek kompiler LLVM untuk menghasilkan kode mesin dari sintaks Python. Numba dapat menyusun sebagian besar python yang berfokus pada numerik, termasuk banyak fungsi numpy. Selain itu, Numba memiliki dukungan untuk paralelisasi otomatis loop, generasi kode yang dipercepat GPU, dan pembuatan ufuncs dan callback C.
Chainer adalah kerangka pembelajaran mendalam yang berbasis di Python yang bertujuan untuk fleksibilitas. Ini menyediakan API diferensiasi otomatis berdasarkan pendekatan define-by-run (grafik komputasi dinamis) serta API tingkat tinggi yang berorientasi objek untuk membangun dan melatih jaringan saraf. Ini juga mendukung CUDA/CUDNN menggunakan CUPY untuk pelatihan dan inferensi kinerja tinggi.
XGBoost adalah perpustakaan meningkatkan gradien terdistribusi yang dioptimalkan yang dirancang untuk menjadi sangat efisien, fleksibel, dan portabel. Ini mengimplementasikan algoritma pembelajaran mesin di bawah kerangka kerja gradien. XGBoost menyediakan peningkatan pohon paralel (juga dikenal sebagai GBDT, GBM) yang menyelesaikan banyak masalah ilmu data dengan cara yang cepat dan akurat. Ini mendukung pelatihan terdistribusi pada beberapa mesin, termasuk AWS, GCE, Azure, dan Cluster Benang. Juga, dapat diintegrasikan dengan Flink, Spark, dan sistem Dataflow cloud lainnya.
CUML adalah serangkaian perpustakaan yang menerapkan algoritma pembelajaran mesin dan fungsi primitif matematika yang berbagi API yang kompatibel dengan proyek Rapids lainnya. CUML memungkinkan para ilmuwan data, peneliti, dan insinyur perangkat lunak untuk menjalankan tugas ML tabel tradisional pada GPU tanpa masuk ke perincian pemrograman CUDA. Dalam kebanyakan kasus, API Python CUML cocok dengan API dari Scikit-Learn.
Apache Cassandra ™ adalah database terdistribusi NoSQL open source yang dipercaya oleh ribuan perusahaan untuk skalabilitas dan ketersediaan tinggi tanpa mengurangi kinerja. Cassandra memberikan skalabilitas linier dan toleransi kesalahan yang terbukti pada perangkat keras komoditas atau infrastruktur cloud menjadikannya platform yang sempurna untuk data yang sangat penting.
Apache Flume adalah layanan terdistribusi, andal, dan tersedia untuk mengumpulkan secara efisien, menggabungkan, dan memindahkan data acara streaming dalam jumlah besar.
Apache Mesos adalah manajer cluster yang menyediakan isolasi sumber daya yang efisien dan berbagi di seluruh aplikasi terdistribusi, atau kerangka kerja. Itu dapat menjalankan Hadoop, Jenkins, Spark, Aurora, dan kerangka kerja lainnya pada kumpulan node yang dibagikan secara dinamis.
Apache HBase ™ adalah toko data besar yang terdistribusi, NoSQL, didistribusikan. Ini memungkinkan akses acak, konsisten, dan real-time ke petabyte data. HBase sangat efektif untuk menangani kumpulan data yang besar dan jarang. HBASE berfungsi sebagai input langsung dan output ke kerangka MapReduce Apache untuk Hadoop, dan bekerja dengan Apache Phoenix untuk mengaktifkan kueri seperti SQL atas tabel HBase.
Sistem File Terdistribusi Hadoop (HDFS) adalah sistem file terdistribusi yang menangani set data besar yang berjalan pada perangkat keras komoditas. Ini digunakan untuk mengukur kluster Hadoop Apache tunggal menjadi ratusan (dan bahkan ribuan) node. HDFS adalah salah satu komponen utama Apache Hadoop, yang lain menjadi Mapreduce dan Benang.
Apache Arrow adalah format memori kolom-independen-bahasa untuk data datar dan hierarkis, yang disusun untuk operasi analitik yang efisien pada perangkat keras modern seperti CPU dan GPU.
Apache Spark ™ adalah mesin analitik terpadu untuk pemrosesan data skala besar. Ini menyediakan API tingkat tinggi di Scala, Java, Python, dan R, dan mesin yang dioptimalkan yang mendukung grafik komputasi umum untuk analisis data. Ini juga mendukung serangkaian alat tingkat tinggi yang kaya termasuk Spark SQL untuk SQL dan DataFrames, MLLIB untuk pembelajaran mesin, graphx untuk pemrosesan grafik, dan streaming terstruktur untuk pemrosesan aliran.
Apache Predictioo adalah kerangka pembelajaran mesin open source untuk pengembang, ilmuwan data, dan pengguna akhir. Ini mendukung pengumpulan acara, penyebaran algoritma, evaluasi, menanyakan hasil prediktif melalui API REST. Ini didasarkan pada layanan open source yang dapat diskalakan seperti Hadoop, HBase (dan DBS lainnya), Elasticsearch, Spark dan mengimplementasikan apa yang disebut arsitektur Lambda.
Microsoft Project Bonsai adalah platform AI kode rendah yang mempercepat pengembangan otomatisasi bertenaga AI dan bagian dari rangkaian sistem otonom dari Microsoft. Bonsai digunakan untuk membangun komponen AI yang dapat memberikan panduan operator atau membuat keputusan independen untuk mengoptimalkan variabel proses, meningkatkan efisiensi produksi, dan mengurangi downtime.
Manajer Cluster untuk Apache Kafka (CMAK) adalah alat untuk mengelola kluster Apache Kafka.
BigDL adalah perpustakaan pembelajaran mendalam terdistribusi untuk Apache Spark. Dengan BIGDL, pengguna dapat menulis aplikasi pembelajaran mendalam mereka sebagai program Spark Standar, yang secara langsung dapat berjalan di atas Cluster Spark atau Hadoop yang ada.
Apache Cassandra ™ adalah database terdistribusi NoSQL open source yang dipercaya oleh ribuan perusahaan untuk skalabilitas dan ketersediaan tinggi tanpa mengurangi kinerja. Cassandra memberikan skalabilitas linier dan toleransi kesalahan yang terbukti pada perangkat keras komoditas atau infrastruktur cloud menjadikannya platform yang sempurna untuk data yang sangat penting.
Apache Flume adalah layanan terdistribusi, andal, dan tersedia untuk mengumpulkan secara efisien, menggabungkan, dan memindahkan data acara streaming dalam jumlah besar.
Apache Mesos adalah manajer cluster yang menyediakan isolasi sumber daya yang efisien dan berbagi di seluruh aplikasi terdistribusi, atau kerangka kerja. Itu dapat menjalankan Hadoop, Jenkins, Spark, Aurora, dan kerangka kerja lainnya pada kumpulan node yang dibagikan secara dinamis.
Apache Beam adalah sumber terbuka, model terpadu dan serangkaian SDK spesifik bahasa untuk mendefinisikan dan melaksanakan alur kerja pemrosesan data, dan juga konsumsi data dan aliran integrasi, mendukung pola integrasi perusahaan (EIP) dan bahasa spesifik domain (DSL).
Jupyter Notebook adalah aplikasi web open-source yang memungkinkan Anda membuat dan berbagi dokumen yang berisi kode langsung, persamaan, visualisasi, dan teks naratif. Jupyter digunakan secara luas dalam industri yang melakukan pembersihan dan transformasi data, simulasi numerik, pemodelan statistik, visualisasi data, ilmu data, dan pembelajaran mesin.
NEO4J adalah satu-satunya basis data grafik kekuatan perusahaan yang menggabungkan penyimpanan grafik asli, keamanan canggih, arsitektur yang dioptimalkan oleh kecepatan yang dapat diskalakan, dan kepatuhan asam untuk memastikan prediktabilitas dan integritas kueri berbasis hubungan.
Elasticsearch adalah mesin pencari berdasarkan perpustakaan Lucene. Ini menyediakan mesin pencari teks lengkap terdistribusi, berkemampuan multitenant dengan antarmuka web HTTP dan dokumen JSON bebas skema. Elasticsearch dikembangkan di Java.
Logstash adalah alat untuk mengelola acara dan log. Saat digunakan secara umum, istilah ini mencakup sistem pengumpulan log, pemrosesan, penyimpanan, dan aktivitas pencarian yang lebih besar.
Kibana adalah plugin visualisasi data sumber terbuka untuk Elasticsearch. Ini memberikan kemampuan visualisasi di atas konten yang diindeks pada cluster Elasticsearch. Pengguna dapat membuat plot batang, garis dan pencar, atau diagram lingkaran dan peta di atas volume besar data.
Trino adalah mesin kueri SQL terdistribusi untuk data besar. Ini mampu mempercepat proses ETL, memungkinkan mereka semua menggunakan pernyataan SQL standar, dan bekerja dengan berbagai sumber data dan target semua dalam sistem yang sama.
Ekstrak, Transform, dan Load (ETL) adalah pipa data yang digunakan untuk mengumpulkan data dari berbagai sumber, mengubah data sesuai dengan aturan bisnis, dan memuatnya ke penyimpanan data tujuan.
Redis (Remote Dictionary Server) adalah open source (BSD berlisensi), toko struktur data dalam memori, digunakan sebagai basis data, cache, dan broker pesan. Ini menyediakan struktur data seperti string, hash, daftar, set, set yang diurutkan dengan rentang kueri, bitmap, hyperloglog, indeks geospasial, dan aliran.
Apache OpenNLP adalah perpustakaan open-source untuk toolkit berbasis pembelajaran mesin yang digunakan dalam pemrosesan teks bahasa alami. Ini fitur API untuk menggunakan kasus seperti pengenalan entitas bernama, deteksi kalimat, penandaan POS (bagian-of-speech), ekstraksi fitur tokenisasi, chunking, penguraian, dan resolusi coreference.
Apache Airflow adalah platform manajemen alur kerja open-source yang dibuat oleh masyarakat kepada penulis, jadwal dan memantau alur kerja secara terprogram. Memasang. Prinsip. Dapat diskalakan. Airflow memiliki arsitektur modular dan menggunakan antrian pesan untuk mengatur jumlah pekerja yang sewenang -wenang. Aliran udara siap untuk skala hingga tak terbatas.
Open Neural Network Exchange (ONNX) adalah ekosistem terbuka yang memberdayakan pengembang AI untuk memilih alat yang tepat ketika proyek mereka berkembang. ONNX menyediakan format sumber terbuka untuk model AI, baik pembelajaran mendalam dan ML tradisional. Ini mendefinisikan model grafik komputasi yang dapat diperluas, serta definisi operator bawaan dan tipe data standar.
Apache MXNET adalah kerangka pembelajaran yang mendalam yang dirancang untuk efisiensi dan fleksibilitas. Ini memungkinkan Anda untuk mencampur pemrograman simbolik dan imperatif untuk memaksimalkan efisiensi dan produktivitas. Pada intinya, MXNET berisi penjadwal ketergantungan yang dinamis yang secara otomatis memparalelkan operasi simbolik dan imperatif dengan cepat. Lapisan optimasi grafik di atas itu membuat eksekusi simbolik cepat dan efisien memori. MXNET portabel dan ringan, penskalaan secara efektif ke beberapa GPU dan beberapa mesin. Dukungan untuk Python, R, Julia, Scala, Go, JavaScript dan banyak lagi.
Autogluon adalah toolkit untuk pembelajaran mendalam yang mengotomatiskan tugas pembelajaran mesin yang memungkinkan Anda untuk dengan mudah mencapai kinerja prediktif yang kuat dalam aplikasi Anda. Dengan hanya beberapa baris kode, Anda dapat melatih dan menggunakan model pembelajaran mendalam akurasi tinggi pada data tabel, gambar, dan teks.
Kembali ke atas
Open Computing Language (OpenCL) adalah standar terbuka untuk pemrograman paralel platform heterogen yang terdiri dari CPU, GPU, dan akselerator perangkat keras lainnya yang ditemukan di superkomputer, server cloud, komputer pribadi, perangkat seluler dan platform tertanam.
OpenCl | GitHub
Khronos Group | GitHub
Kursus dan Pelatihan Teknologi Khronos
Tutorial OpenCl - StreamHPC
Pengantar Intel® Opencl Tools
OpenCl | Pengembang nvidia
Pengantar OpenCl pada kursus FPGAS | Kursus
Mengkompilasi Kernel OpenCl ke Kursus FPGAS | Kursus
RenderDoc adalah debugger grafis yang berdiri sendiri yang memungkinkan penangkapan bingkai tunggal yang cepat dan mudah dan introspeksi terperinci dari aplikasi apa pun menggunakan Vulkan, D3D11, OpenGL & OpenGL ES atau D3D12 di seluruh Windows, Linux, Android, Stadia, atau Nintendo Switch ™.
GPUverify adalah alat untuk analisis formal kernel GPU yang ditulis dalam Opencl dan CUDA. Alat ini dapat membuktikan bahwa kernel bebas dari jenis cacat tertentu, termasuk balapan data.
OpenCL ICD Loader adalah mekanisme driver klien yang dapat diinstal (ICD) untuk memungkinkan pengembang membangun aplikasi terhadap loader driver klien yang dapat diinstal (ICD loader) daripada menghubungkan aplikasi mereka dengan implementasi OpenCL tertentu.
CLBLAS adalah pustaka perangkat lunak yang berisi fungsi BLAS yang ditulis dalam OpenCl.
CLFFT adalah pustaka perangkat lunak yang berisi fungsi FFT yang ditulis dalam opencl.
Clsparse adalah pustaka perangkat lunak yang berisi fungsi jarang yang ditulis dalam opencl.
CLRNG adalah pustaka perangkat lunak berbasis OpenCL yang berisi fungsi pembuatan angka acak.
Clsmith adalah alat yang memanfaatkan dua teknik pengujian yang ada, pengujian diferensial acak dan input modulo kesetaraan (EMI), menerapkannya dalam lingkungan banyak inti, OpenCL. Fitur utamanya adalah generasi kernel opencl acak, menggunakan banyak fitur bahasa. Ini juga membawa ide baru untuk menerapkan EMI, melalui injeksi kode mati.
Oclgrind adalah simulator perangkat opencl virtual, termasuk runtime opencl dengan dukungan ICD. Tujuannya adalah untuk menyediakan platform untuk membuat alat untuk membantu pengembangan Opencl. Secara khusus, proyek ini saat ini mengimplementasikan utilitas untuk debugging kesalahan akses memori, mendeteksi rasi-data dan divergensi penghalang, mengumpulkan histogram instruksi, dan untuk debugging kernel opencl interaktif. Simulator ini dibangun di atas juru bahasa untuk LLVM IR.
NVIDIA® NSIGHT ™ Visual Studio Editio adalah lingkungan pengembangan aplikasi untuk platform heterogen yang membawa komputasi GPU ke Microsoft Visual Studio. NVIDIA NSIGHT ™ VSE memungkinkan Anda untuk membangun dan men -debug kernel GPU terintegrasi dan kode CPU asli serta memeriksa keadaan GPU dan memori.
Radeon ™ GPU Profiler adalah alat kinerja yang dapat digunakan oleh pengembang untuk mengoptimalkan aplikasi DirectX®12, Vulkan® dan Opencl ™ untuk AMD RDNA ™ dan perangkat keras GCN.
Radeon ™ GPU Analyzer adalah alat analisis kompiler dan kode untuk Vulkan®, DirectX®, OpenGL® dan OpenCl ™.
AMD Radeon Prorender adalah mesin rendering berbasis fisik yang kuat yang memungkinkan para profesional kreatif untuk menghasilkan gambar fotorealistik yang memukau pada hampir semua GPU, CPU apa pun, dan OS apa pun di lebih dari selusin pembuatan konten digital terkemuka dan aplikasi CAD.
Nvidia Omniverse adalah platform simulasi dan kolaborasi yang kuat, multi-GPU, dan kolaborasi real-time untuk pipa produksi 3D berdasarkan deskripsi adegan universal Pixar dan NVIDIA RTX.
Intel® SDK untuk Opencl ™ Applications adalah beban kerja komputasi-komputasi. Kustomisasi aplikasi komputasi yang heterogen dan mempercepat kinerja dengan pemrograman berbasis kernel.
NVIDIA NGC adalah hub untuk perangkat lunak yang dioptimalkan GPU untuk pembelajaran yang mendalam, pembelajaran mesin, dan beban kerja komputasi kinerja tinggi (HPC).
NVIDIA NGC Containers adalah registri yang menyediakan para peneliti, ilmuwan data, dan pengembang dengan akses sederhana ke katalog komprehensif perangkat lunak yang dipercepat GPU untuk AI, pembelajaran mesin, dan HPC. Wadah-wadah ini memanfaatkan sepenuhnya NVIDIA GPU di tempat dan di cloud.
Nvidia Cudnn adalah perpustakaan primitif yang dipercepat GPU untuk jaringan saraf yang dalam. Cudnn memberikan implementasi yang sangat disetel untuk rutinitas standar seperti konvolusi ke depan dan ke belakang, pooling, normalisasi, dan lapisan aktivasi. Cudnn mempercepat kerangka kerja pembelajaran yang dalam secara luas, termasuk Caffe2, Chainer, Keras, Matlab, Mxnet, Pytorch, dan Tensorflow.
NVIDIA Container Toolkit adalah kumpulan alat & perpustakaan yang memungkinkan pengguna untuk membangun dan menjalankan wadah Docker yang dipercepat GPU. Toolkit mencakup perpustakaan runtime kontainer dan utilitas untuk secara otomatis mengonfigurasi kontainer untuk memanfaatkan NVIDIA GPU.
Kembali ke atas
Toolkit CUDA. Sumber: Pengembang NVIDIA CUDA
CUDA adalah platform komputasi paralel dan model pemrograman yang dikembangkan oleh NVIDIA untuk komputasi umum pada unit pemrosesan grafis (GPU). Dengan CUDA, pengembang dapat secara dramatis mempercepat aplikasi komputasi dengan memanfaatkan kekuatan GPU. Dalam aplikasi yang dipercepat GPU, bagian berurutan dari beban kerja berjalan pada CPU, yang dioptimalkan untuk berhadapan tunggal. Bagian intensif komputasi dari aplikasi berjalan pada ribuan inti GPU secara paralel. Saat menggunakan CUDA, pengembang dapat memprogram dalam bahasa populer seperti C, C ++, Fortran, Python dan Matlab.
Dokumentasi Toolkit CUDA
Panduan Mulai Cepat Cuda
CUDA ON WSL
Dukungan GPU CUDA untuk TensorFlow
Nvidia Deep Learning Cudnn Documentation
Dokumentasi Cloud NVIDIA GPU
NVIDIA NGC adalah hub untuk perangkat lunak yang dioptimalkan GPU untuk pembelajaran yang mendalam, pembelajaran mesin, dan beban kerja komputasi kinerja tinggi (HPC).
NVIDIA NGC Containers adalah registri yang menyediakan para peneliti, ilmuwan data, dan pengembang dengan akses sederhana ke katalog komprehensif perangkat lunak yang dipercepat GPU untuk AI, pembelajaran mesin, dan HPC. Wadah-wadah ini memanfaatkan sepenuhnya NVIDIA GPU di tempat dan di cloud.
CUDA Toolkit adalah kumpulan alat & perpustakaan yang menyediakan lingkungan pengembangan untuk membuat aplikasi yang dipercepat GPU berkinerja tinggi. CUDA Toolkit memungkinkan Anda dapat mengembangkan, mengoptimalkan, dan menggunakan aplikasi Anda pada sistem tertanam yang dipercepat GPU, workstation desktop, pusat data perusahaan, platform berbasis cloud, dan superkomputer HPC. Toolkit ini mencakup pustaka yang dipercepat GPU, alat debugging dan optimasi, kompiler C/C ++, dan pustaka runtime untuk membangun dan menggunakan aplikasi Anda pada arsitektur utama termasuk x86,
