• Введение. Часть 1 (pdf)
• Введение. Часть 2 (pdf)
• CUDA. API (pdf)
• Текстуры в CUDA (pdf)
• Оптимизация программ (pdf)
• CUDA Driver API (pdf)
• Использование нескольких GPU (pdf)
• Оптимизированные библиотеки для GPU (pdf)
• Адаптация программ для GPU (pdf)
• Программирование GPU на Фортран, Java, C# (pdf)
• Введение в OpenCL (pdf)
• Введене в OpenACC (pdf, pdf, Методичка)

1. Код программы и Makefile или строку компиляции на сервере cuda.ccfit.nsu.ru
2. Отчет на полстраницы с результатом работы программы и его объяснением

1. Allocate an array of doubles. Init it with `a[i] = sin(2*Pi*i/N)`, calculate `sum(a[i])` on CPU and GPU. Copy array from GPU to CPU and check the error `sum(abs(a_gpu[i]- sin(2*Pi*i/N)))/N`. Explain the difference. Use OpenACC. Check `-gpu=fastmath` option
2. Implement the code to solve the Poison equation on a square mesh (NxN). Iterative scheme. Use OpenACC directives. Compare CPU vs GPU performance for the main loop depending on N (N=128, 256, 512, 1024).
   1. Profile the code.
   2. Optimize the code.
3. Implement the code from the item 2. Use the cuBLAS function to calculate the error. The same ode should be compiled for CPU and GPU. Use preprocessor directives. Compare the performance of the code from the prev. task.
4. Adopt the code to GPU. Signal correlation. Profile the code, optimize, explain the result. Use OpenACC.
5. Implement the task from the item 2 using CUDA. For the reduction operation use the CUB library.
6. Implement the signal correlation algorithm from the item 4 as a module. Call it from a Python script.

Usefull links (Полезные ссылки)

• CUDA Zone
• GPU Hackathons teaching resources
• GPU Technology Conference
• OpenACC - more science, less programming