Tôi là lập trình viên C++ phát triển các thuật toán hình ảnh và video, tôi có nên học Nvidia CUDA không? hoặc nó là một trong những kỹ thuật sẽ biến mất?Tìm hiểu Nvidia CUDA
Trả lời
CUDA hiện là công nghệ của nhà cung cấp duy nhất từ NVIDIA và do đó không có hỗ trợ đa nhà cung cấp mà OpenCL thực hiện.
Tuy nhiên, nó trưởng thành hơn OpenCL, có great documentation và các kỹ năng học được bằng cách sử dụng sẽ dễ dàng được chuyển sang bộ công cụ xử lý dữ liệu song song khác.
Ví dụ về điều này, đọc Data Parallel Algorithms bởi Steele và Hillis và sau đó xem Nvidia tutorials - có liên kết rõ ràng giữa hai giấy Steele/Hillis được viết trên 20 years trước khi CUDA được giới thiệu.
Cuối cùng, FCUDA Projects đang hoạt động để cho phép các dự án CUDA nhắm mục tiêu phần cứng không phải của nvidia (FPGA).
Tôi nghĩ bạn nên gắn bó với OpenCL, là tiêu chuẩn mở và được hỗ trợ bởi ATI, nVidia và hơn thế nữa. CUDA có thể không biến mất trong những năm tới, nhưng dù sao nó không tương thích với các GPU không phải nVidia.
CUDA nên lưu ý trong một thời gian, nhưng nếu bạn mới bắt đầu, tôi khuyên bạn nên xem OpenCL hoặc DirectCompute. Cả hai đều chạy trên ATI cũng như phần cứng NVidia, ngoài việc làm việc trên các đơn vị vectơ (SSE) của CPU.
OpenCL có thể mất một thời gian để trở nên phổ biến nhưng tôi thấy việc học CUDA rất nhiều thông tin và tôi không nghĩ rằng CUDA sẽ ra khỏi ánh đèn sân khấu bất cứ lúc nào sớm. Bên cạnh đó, CUDA đủ dễ dàng để thời gian học ngắn hơn nhiều so với thời hạn sử dụng của CUDA.
Đây là kỷ nguyên của tính toán hiệu suất cao, tính toán song song. CUDA và OpenCL là những công nghệ mới nổi của GPU Computing mà thực sự là một máy tính hiệu suất cao! Nếu bạn là một lập trình đam mê và sẵn sàng đạt được điểm chuẩn trong các thuật toán song song, bạn thực sự nên đi cho các công nghệ này. Dữ liệu song song một phần của chương trình của bạn sẽ được thực hiện trong vòng một phần nhỏ của một giây trên GPU kiến trúc nhiều lõi thường mất nhiều thời gian hơn trên CPU của bạn ..
- 1. NVIDIA NVCC và CUDA: Cubin vs PTX
- 2. CUDA: Tìm hiểu thông tin PTX
- 3. Nvidia Tesla vs 480 để lập trình CUDA
- 4. Nén dòng CUDA: hiểu khái niệm
- 5. NVIDIA CUDA: Trình điều khiển dành cho nhà phát triển là gì?
- 6. Tại sao mã CUDA chạy nhanh hơn rất nhiều trong NVIDIA Visual Profiler?
- 7. Làm thế nào để đo thời gian hạt nhân bên trong trong NVIDIA CUDA?
- 8. Biên dịch OpenCL trên Mingw Nvidia SDK
- 9. OpenCL AMD vs NVIDIA hiệu suất
- 10. OpenCL FFT trên cả phần cứng Nvidia và AMD?
- 11. Chế độ tính toán độc quyền với OpenCL + NVidia
- 12. in từ hạt nhân cuda
- 13. Nơi tải xuống CUDA SDK từ
- 14. nVidia SLI Tricks
- 15. Làm thế nào để bạn tính toán tải trên một nvidia (cuda có khả năng), thẻ gpu?
- 16. Mã hóa CUDA bằng C#?
- 17. Tìm hiểu màu sắc
- 18. Cách tìm hiểu agda
- 19. Tìm hiểu về goroutines
- 20. Tìm hiểu boundCenterBottom()
- 21. Tìm hiểu Khối Scala
- 22. Tìm hiểu hàm atoi()
- 23. Cách tìm hiểu ADO.NET
- 24. Tìm hiểu về Traceview
- 25. Tìm hiểu ASP.NET MVC
- 26. Có lợi ích gì trong thẻ nVidia Tesla không?
- 27. CUDA lõi vs số đếm
- 28. tìm hiểu Scala với TDD
- 29. Cách tìm hiểu Java Webservices
- 30. Tìm hiểu DirectX trong 2013
Tại sao downvote ??? – AndiDog