Параллельное программирование на Python, Код на Python для ПК и кластеров с использованием CUDA, PyTorch и Dask, Фабио Н., 2026

Параллельное программирование на Python, Код на Python для ПК и кластеров с использованием CUDA, PyTorch и Dask, Фабио Н., 2026.
 
   Книга последовательно знакомит с методами параллельного программирования на Python - от базовых концепций до современных инструментов для распределенных и ускоренных вычислений. Практические примеры демонстрируют применение параллельных подходов в аналитике данных, машинном обучении и научном моделировании. Рассмотрены современные тенденции развития параллельных вычислений и их влияние на экосистему Python. Вы узнаете, какие ограничения и компромиссы сопровождают различные модели параллелизма, и научитесь выбирать архитектурные решения в зависимости от характера нагрузки.
Издание будет полезно как практикующим инженерам, так и студентам технических специальностей, изучающим параллельное и распределённое программирование. Желательны базовые навыки программирования на Python и понимание принципов работы операционных систем.




Параллельное программирование.
Если вы читаете эту книгу, то, безусловно, вам уже понятна необходимость повышения потенциала вашего кода, поскольку вы столкнулись с ограничениями традиционных моделей, которые по историческим причинам (ограничения старых компьютеров) базируются на последовательном принципе.

Появление новых аппаратных технологий дало нам возможность запускать на наших компьютерах несколько программ одновременно. В действительности даже самые простые компьютеры оснащены многоядерной системой, которая позволяет программам работать в параллельном режиме. Почему бы тогда не воспользоваться преимуществами этой архитектуры?

ОГЛАВЛЕНИЕ.
Об авторе.
Технический рецензент.
Благодарности.
Предисловие.
Глава 1. Введение в параллельное программирование.
Параллельное программирование.
Технологическая эволюция компьютеров и параллелизм.
Процессоры, ядра, потоки и процессы.
Многозадачное и параллельное программирование.
Потоки и процессы в Python для моделей многозадачности и параллелизма.
Распределение и использование памяти.
Оценка эффективности параллельного программирования.
Заключение.
Глава 2. Параллельное программирование с потоками.
Потоки.
Метод join().
Механизмы синхронизации.
Заключение.
Глава 3. Многопроцессорные вычисления и библиотека mpi4py.
Процессы и модуль multiprocessing.
Каналы взаимодействия между процессами.
Отображение функции через пул процессов.
Параллельное отображение с chunksize.
Класс ProcessPoolExecutor.
Библиотека mpi4py.
Параллелизм процессов.
Основные области применения mpi4py.
Реализация двухточечных коммуникаций.
Коллективные коммуникации.
Оптимизация коммуникаций при помощи топологий.
Заключение.
Глава 4. Асинхронное программирование с AsyncIO.
Асинхронное и синхронное программирование.
Библиотека AsyncIO.
Асинхронные итерации с async for и без async for.
Очередь в асинхронной модели.
Альтернативы библиотеке AsyncIO.
Заключение.
Глава 5. Реализация параллелизма с помощью распределенных систем.
Распределенные системы и программирование.
Celery.
Библиотека Dramatiq как альтернатива Celery.
Библиотека SCOOP.
Заключение.
Глава 6. Программирование GPU с CUDA для максимальной производительности.
Архитектура GPU.
Программирование GPU на Python.
Numba.
PyOpenCL.
Заключение.
Глава 7. Эпоха параллельных вычислений.
Высокопроизводительные вычисления (HPC).
Параллельные вычисления.
Проекты и примеры параллельных вычислений.
Развлечения – игры и фильмы.
Заключение.
Глава 8. Масштабирование приложений для обработки данных с помощью Dask.
Аналитика данных, библиотека Pandas и параллельные вычисления.
Библиотека Dask.
Начало работы на одном компьютере.
Коллекции Dask.
Методы для коллекций.
Вычисления и графы задач.
Низкоуровневое взаимодействие с Dask Delayed.
Начало работы на кластере машин.
Приступая к программированию кластера.
Заключение.
Глава 9. Раскрытие потенциала ИИ с параллельными вычислениями.
Искусственный интеллект (ИИ).
ИИ, машинное обучение и глубокое обучение.
Контролируемое и неконтролируемое обучение.
Искусственный интеллект и параллельные вычисления.
Параллельное и распределенное машинное обучение.
Машинное обучение с помощью Scikit-learn.
Масштабирование Scikit-learn с Dask-ML.
Параллельное и распределенное глубокое обучение.
PyTorch и TensorFlow.
Пример глубокого обучения с PyTorch.
Пример глубокого обучения с использованием PyTorch и GPU.
Масштабирование PyTorch с помощью Dask.
Заключение.
Глава 10. Приложения параллельных вычислений.
Массивно-параллельный искусственный интеллект.
Пограничные вычисления.
Распределенная вычислительная инфраструктура с киберфизическими системами.
Искусственный интеллект в кибербезопасности.
Вступление в эпоху Web 5.0.
Экзафлопсные вычисления.
Квантовые вычисления.
Новые профессиональные возможности.
Необходимые улучшения в параллельных вычислениях для Python.
Будущее PyTorch и TensorFlow.
Заключение.
Предметный указатель.


Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Купить .



Хештеги: #учебник по программированию :: #программирование :: #Фабио