Programme de la formation
Programmer C++ et CUDA : Accélérer vos applications avec Visual Studio

• Introduction au C++ moderne et à Visual Studio

  - Présentation du C++11/14/17/20 et ses évolutions clés.
  - Environnement de développement Visual Studio : interface, projets, solutions.
  - Compilation, exécution, et débogage de programmes C++.

• Programmation orientée objet en C++

  - Classes, objets, constructeurs, destructeurs.
  - Héritage, polymorphisme, et fonctions virtuelles.
  - Modèles (templates) et programmation générique.

• Structures de données et algorithmes C++

  - Conteneurs de la STL : vector, list, map, set.
  - Itérateurs et algorithmes standards.
  - Gestion de la mémoire et pointeurs intelligents (smart pointers).

• Introduction au calcul GPU et à CUDA

  - Architectures CPU vs GPU : principes du parallélisme.
  - Présentation de CUDA : historique, avantages, architecture logicielle.
  - Installation du toolkit CUDA et configuration sous Visual Studio.

• Principes fondamentaux de la programmation CUDA

  - Modèle d'exécution CUDA : grilles, blocs, threads.
  - Fonctions Device et Host, gestion des noyaux (kernels).
  - Transferts de données Host-Device (cudaMemcpy).

• Rappels C++ pour CUDA et premiers noyaux

  - Syntaxe CUDA et mots-clés spécifiques (`__global__`, `__device__`, `__host__`).
  - Écriture et exécution de premiers noyaux CUDA simples.
  - Débogage de noyaux CUDA avec Nsight.

• Gestion de la mémoire GPU

  - Mémoire globale, partagée (shared memory), constante, texture.
  - Optimisation des accès mémoire : bank conflicts, coalescence.
  - Stratégies d'allocation et de libération mémoire efficientes.

• Optimisation des performances CUDA

  - Profilage des applications CUDA avec NVVP/Nsight Systems.
  - Latence, bande passante, occupation du GPU.
  - Techniques d'optimisation : streaming, multi-GPU.

• Utilisation des flux CUDA (Streams)
• Intégration CUDA avec des applications C++

  - Interopérabilité CPU-GPU : passage de données complexes.
  - Intégration de code CUDA dans des projets C++ existants.
  - Utilisation de bibliothèques CUDA (cuBLAS, cuFFT, etc.).

• Bonnes pratiques de développement CUDA
• Cas pratiques et débogage avancé CUDA

  - Réalisation d'un projet complet d'accélération GPU.
  - Diagnostic et résolution de problèmes complexes (performance, erreurs).
  - Veille technologique et perspectives d'évolution CUDA.