آموزش راه حل های برنامه نویسی موازی پایتون - آخرین آپدیت

سرفصل ها و درس ها

1. شروع به کار با Computing Computing و Python 1. Getting Started with Parallel Computing and Python

• معماری حافظه محاسباتی موازی The parallel computing memory architecture

• سازمان حافظه Memory organization

• سازمان حافظه ادامه داشت Memory organization continued

• مدل های برنامه نویسی موازی Parallel programming models

• طراحی یک برنامه موازی Designing a parallel program

• ارزیابی عملکرد یک برنامه موازی Evaluating the performance of a parallel program

• معرفی پایتون Introducing Python

• کار با فرآیندهای پایتون Working with processes in Python

• کار با موضوعات در پایتون Working with threads in Python

2. موازی سازی مبتنی بر موضوع 2. Thread-Based Parallelism

• تعریف موضوع Defining a thread

• تعیین موضوع کنونی Determining the current thread

• استفاده از نخ در یک زیر کلاس Using a thread in a subclass

• همگام سازی موضوع با قفل Thread synchronization with lock

• همگام سازی موضوع با RLock Thread synchronization with RLock

• همگام سازی موضوع با semaphores Thread synchronization with semaphores

• همگام سازی موضوع با یک شرط Thread synchronization with a condition

• همگام سازی موضوع با یک رویداد Thread synchronization with an event

• با استفاده از جمله Using the with statement

• ارتباط موضوع با استفاده از یک صف Thread communication using a queue

• ارزیابی عملکرد برنامه های چند رشته ای Evaluating the performance of multithread applications

3. موازی سازی مبتنی بر فرآیند 3. Process-Based Parallelism

• فرآیند تخم ریزی Spawning a process

• نامگذاری یک فرآیند Naming a process

• اجرای یک فرآیند در پس زمینه Running a process in the background

• کشتن یک روند Killing a process

• استفاده از یک فرآیند در یک زیر کلاس Using a process in a subclass

• تبادل اشیاء بین فرآیندها Exchanging objects between processes

• فرآیندهای همگام سازی Synchronizing processes

• مدیریت یک وضعیت بین فرآیندها Managing a state between processes

• استفاده از استخر فرایند Using a process pool

• با استفاده از ماژول mpi4py Python Using the mpi4py Python module

• ارتباط نقطه به نقطه Point-to-point communication

• جلوگیری از مشکلات بن بست Avoiding deadlock problems

• استفاده از پخش برای ارتباط جمعی Using broadcast for collective communication

• استفاده از پراکندگی برای ارتباط جمعی Using scatter for collective communication

• استفاده از جمع آوری برای ارتباط جمعی Using gather for collective communication

• استفاده از alltoall برای ارتباط جمعی Using alltoall for collective communication

• عملیات کاهش The reduction operation

• بهینه سازی ارتباطات Optimizing the communication

4- برنامه نویسی ناهمزمان 4. Asynchronous Programming

• با استفاده از ماژول های همزمان. پایتون Using the concurrent.futures Python modules

• مدیریت حلقه رویداد با Asyncio Event loop management with Asyncio

• انجام امور روزمره با Asyncio Handling co-routines with Asyncio

• دستکاری یک کار با Asyncio Manipulating a task with Asyncio

• برخورد با Asyncio و آینده Dealing with Asyncio and futures

5- پایتون توزیع شده است 5. Distributed Python

• استفاده از کرفس برای توزیع کارها Using Celery to distribute tasks

• ایجاد یک کار با کرفس Creating a task with Celery

• محاسبات علمی با SCOOP Scientific computing with SCOOP

• دستیابی به توابع نقشه با SCOOP Handling map functions with SCOOP

• فراخوانی روش از راه دور با Pyro4 Remote method invocation with Pyro4

• زنجیر زدن اشیاء با pyro4 Chaining objects with pyro4

• ایجاد یک برنامه مشتری-سرور با Pyro4 Developing a client-server application with Pyro4

• برقراری ارتباط فرآیندهای پی در پی با PyCSP Communicating sequential processes with PyCSP

• یک تماس از راه دور با RPyC A remote procedure call with RPyC

6. برنامه نویسی GPU با پایتون 6. GPU Programming with Python

• با استفاده از ماژول PyCUDA Using the PyCUDA module

• ساختن یک برنامه PyCUDA Building a PyCUDA application

• درک مدل حافظه PyCUDA با دستکاری ماتریس Understanding the PyCUDA memory model with matrix manipulation

• تماسهای هسته با آرایه GPU Kernel invocations with GPU array

• ارزیابی عبارات عناصر با PyCUDA Evaluating element-wise expressions with PyCUDA

• عملیات نقشه Mapuce با PyCUDA The mapreduce operation with PyCUDA

• برنامه نویسی Gpu با NumbaPro Gpu programming with NumbaPro

• استفاده از كتابخانه هاي شتابدهنده GPU با NumbaPro Using GPU-accelerated libraries with NumbaPro

• با استفاده از ماژول PyOpenCL Using the PyOpenCL module

• ساختن یک برنامه PyOpenCL Building a PyOpenCL application

• ارزیابی عبارات عناصر با PyOpenCL Evaluating element-wise expressions with PyOpenCL

• تست برنامه gpu خود را با PyOpenCL انجام دهید Testing your gpu application with PyOpenCL