728x90
반응형
강좌 개요:
I. 강좌 설명: 이 강좌는 그래픽스 처리 장치(GPU)에 대한 아키텍처, 기능 및 응용에 중점을 둔다. 학생들은 GPU가 병렬 컴퓨팅에 어떻게 기여하며, 그래픽 렌더링을 가속화하며, 다양한 과학 및 계산 작업에서 어떠한 역할을 하는지에 대한 포괄적인 이해를 얻을 것이다.
II. 강좌 목표:
- GPU 아키텍처 이해:
- 현대 GPU 아키텍처 탐색, CUDA 코어, 메모리 계층 구조 및 병렬 처리 능력 포함.
- GPU와 전통적인 중앙 처리 장치(CPU) 간의 차이점 이해.
- CUDA 프로그래밍:
- NVIDIA GPU를 위한 CUDA(Compute Unified Device Architecture) 프로그래밍의 기본 개념 습득.
- 병렬 프로그램 작성에 대한 실용적인 기술 개발.
- 그래픽 렌더링 및 게임:
- GPU의 게임 및 시뮬레이션을 위한 실제 그래픽 렌더링 역할 검토.
- 게임 산업에서 GPU 기술의 진화 분석.
- 딥 러닝 및 신경망:
- GPU를 사용한 딥 러닝 알고리즘 가속화 및 신경망 훈련 이해.
- TensorFlow 및 PyTorch와 같은 프레임워크에서 GPU와의 상호 작용 이해.
- 과학 연구에서 GPU 가속 계산:
- 시뮬레이션, 데이터 분석 및 분자 역학과 같은 과학 연구에서 GPU 활용 탐색.
- GPU 가상화 및 클라우드 컴퓨팅:
- GPU 가상화 개념 및 클라우드 컴퓨팅에서의 응용 프로그램 논의.
- 클라우드 환경에서 고성능 컴퓨팅(HPC)에 GPU가 기여하는 방법 이해.
- GPU 성능 최적화:
- 다양한 응용 분야에서 GPU 성능 최적화 기술 습득.
- 효율적인 메모리 관리와 병렬 알고리즘의 중요성 이해.
III. 강좌 구조:
- GPU 기술 소개
- GPU의 역사적 개요 및 진화
- GPU의 기본 구성 요소 및 기능
- GPU 아키텍처 및 병렬 컴퓨팅
- CUDA 코어 및 병렬 처리
- 메모리 계층 구조 및 데이터 병렬성
- CUDA 프로그래밍
- CUDA 프로그래밍의 기본 사항
- 실습과 프로그래밍 과제
- 그래픽 렌더링 및 게임
- 그래픽 렌더링에서 GPU의 역할
- 게임 산업에 미치는 GPU의 영향
- 딥 러닝 및 GPU에서의 신경망
- 기계 학습에서 GPU 가속화
- 실전 응용 사례와 실습
- 과학 연구에서의 GPU 가속 계산
- 과학 시뮬레이션에서의 GPU 활용
- 다양한 연구 분야에서 실제 예시
- GPU 가상화 및 클라우드 컴퓨팅
- 가상 GPU 기술
- 클라우드 환경에서 GPU 활용
- GPU 성능 최적화
- GPU 성능 최적화 기술
- 사례 연구와 성능 분석
IV. 평가:
- 과제 및 프로젝트: 40%
- 중간 시험: 20%
- 기말 시험: 30%
- 참여 및 퀴즈: 10%
V. 선수 과목: 컴퓨터 아키텍처 및 프로그래밍 개념에 대한 기본적인 이해 (특히 C/C++에서). 병렬 컴퓨팅 개념에 익숙하면 좋지만 필수는 아님.
VI. 교재:
- "Programming Massively Parallel Processors" by David B. Kirk and Wen-mei W. Hwu
- "CUDA Programming: A Developer's Guide to Parallel Computing with GPUs" by Shane Cook
VII. 추가 자료:
- CUDA 프로그래밍에 대한 온라인 문서 및 자료.
- GPU 기술 및 응용 분야에 관한 연구 논문 및 기사.
이 강좌는 학생들에게 다양한 분야에서 GPU의 계산력을 활용하기 위한 지식과 기술을 제공하여 병렬 컴퓨팅과 떠오르는 기술에 대한 탐구를 위한 견고한 기초를 쌓게한다.
728x90
반응형