Lecture 2 - CUDA For Python: CuPy, torch.cuda & cuda.jit (Numba)
En esta segunda sesión de nuestras Lectures Técnicas, escalamos de la arquitectura teórica a la implementación práctica de alto rendimiento en Python. Si quieres entender cómo los modelos locales de SIMG aprovechan cada ciclo de la GPU para benchmarks de español, esta clase es para ti.
🛠️ ¿Qué cubriremos?
CuPy: Aceleración de arreglos masivos mediante una interfaz compatible con NumPy en la GPU.
torch.cuda: Gestión de tensores y optimización de memoria en ecosistemas de Deep Learning.
cuda.jit (Numba): Cómo escribir kernels de CUDA personalizados directamente en Python para alcanzar rendimientos cercanos a C++.
🎯 Perfil del Asistente
Investigadores y Estudiantes: Que deseen optimizar sus procesos de entrenamiento de modelos generativos.
Desarrolladores: Interesados en computación científica y paralelismo.
Talento Pro: Si ya conoces de tecnología, ven a conocer a nuestros Grupos de Liderazgo para colaborar en Papers y proyectos de impacto regional.
📍 Dónde atender
Stream en Vivo: YouTube (link en la Bio).
Comunidad: Debates técnicos y materiales en nuestro Discord y el grupo público de WhatsApp.