| Crédits ECTS |
3
|
| Volume horaire total |
30
|
| Volume horaire CM |
9
|
| Volume horaire TD |
6
|
| Volume horaire TP |
15
|
Pré-requis
Connaissances de bases en architecture des ordinateurs, Ma?trise de langages de programmation (Python, R, Bash, ...)
Objectifs
- Concevoir un plan d’analyse en réservant les ressources en calcul disponible sur une infrastructure HPC
- Analyser les métriques d’utilisation (temps CPU, RAM, ...)
- Mettre en ?uvre des workflows adaptés aux plans expérimentaux et assurer la reproductibilité des codes.
- Savoir analyser l’architecture d’un GPU pour en tirer les meilleures performances.
- Intégrer les contraintes de parallélisme dans son algorithme.
PT招财进宝
COURS MAGISTRAUX (9H)
- Notions de base : écosytème HPC, calculs parallèles, cluster, ordonnancement des calculs, structuration des jobs
- Notions de base sur l’architecture des GPU, notions de base sur la programmation GPU avec CUDA
TRAUVAUX DIRIGES (9H)
- Prise en main de l’environnement d’un cluster de calcul, construction de scripts
- Prise en main d’une plateforme de développement disposant d’un GPU et programmation GLSL et découverte de matériel et premiers pas en CUDA
TRAVAUX PRATIQUES (12H)
- Conduite de projet, travail en équipe visant à reproduire un projet de recherche de la prise en main de données biologiques jusqu’à la présentation de résultats.
- Programmation de la plateforme GPU en CUDA
Informations complémentaires
- Concevoir un plan d’analyse en réservant les ressources en calcul disponible sur une infrastructure HPC
- Analyser les métriques d’utilisation (temps CPU, RAM, ...)
- Mettre en ?uvre des workflows adaptés aux plans expérimentaux et assurer la reproductibilité des codes.
- Savoir analyser l’architecture d’un GPU pour en tirer les meilleures performances.
- Intégrer les contraintes de parallélisme dans son algorithme.
