Formation Formation Python Haute Performance pour Supercalculateurs

Programme de la formation
Formation Python Haute Performance pour Supercalculateurs

• Introduction au HPC et Python scientifique

  - Qu'est-ce que le calcul haute performance (HPC) ?
  - Panorama des architectures de supercalculateurs (CPU, GPU, clusters)
  - Rappel des bases de Python pour le calcul scientifique (NumPy, SciPy)
  - Environnements de développement et d'exécution spécifiques HPC

• Profilage et optimisation du code Python

  - Identification des goulots d'étranglement (CPU, RAM, I/O)
  - Outils de profiling Python (cProfile, line_profiler, memory_profiler)
  - Techniques d'optimisation (vectorisation avec NumPy)
  - Bonnes pratiques pour un code Python performant

• Accélération Numba et Cython

  - Introduction à Numba pour la compilation JIT
  - Compilation de fonctions et de boucles avec Numba
  - Introduction à Cython pour l'écriture de code C en Python
  - Interfaçage de Cython avec des bibliothèques C/C++ existantes

• Programmation parallèle avec Multiprocessing

  - Concepts fondamentaux de la programmation parallèle
  - Utilisation du module `multiprocessing` (processus, pools)
  - Communication inter-processus (queues, pipes)
  - Gestion des verrous et des conditions de course

• Programmation parallèle avec Threads (déconseillé pour calcul)

  - Concepts de threading en Python (limitation GIL)
  - Utilisation du module `threading` pour tâches I/O-bound
  - Synchronisation des threads (locks, sémaphores)
  - Quand utiliser ou non les threads en HPC

• Introduction à MPI pour Python (MPI4Py)

  - Concepts de Message Passing Interface (MPI)
  - Installation et configuration de MPI4Py
  - Communication point-à-point (send, recv)
  - Hello World MPI en Python

• Communication collective avec MPI4Py

  - Opérations collectives (broadcast, reduce, scatter, gather)
  - Utilisation de communicateurs MPI
  - Gestion des erreurs et du debugging MPI
  - Conception d'algorithmes parallèles avec MPI

• Calcul sur GPU avec CUDA Python (PyCUDA / Numba Pro)

  - Introduction à l'architecture GPU et CUDA
  - Installation de PyCUDA ou Numba Pro (CUDA backend)
  - Écriture de noyaux CUDA simples en Python
  - Transferts de données CPU-GPU et GPU-CPU

• Optimisation GPU et algorithmes CUDA

  - Stratégies d'optimisation pour GPU (mémoire partagée, registres)
  - Algorithmes courants sur GPU (produit matriciel, FFT)
  - Debugging et profiling de code CUDA Python
  - Comparaison CPU vs GPU pour des tâches spécifiques

• Dask pour le calcul distribué

  - Introduction à Dask (DataFrames, Arrays, Delayed)
  - Calcul distribué sur des clusters locaux ou distants
  - Intégration de Dask avec NumPy et Pandas
  - Optimisation des tâches Dask

• Technologies HPC avancées et interopérabilité

  - Introduction à OpenMP pour la parallélisation partagée (avec Cython)
  - Utilisation de HDF5 pour le stockage de données volumineuses (h5py)
  - Bonnes pratiques pour l'intégration de Python dans un workflow HPC
  - Concepts d'orchestration et de gestion de tâches (Slurm, PBS)

• Projet pratique et études de cas HPC

  - Mise en œuvre d'un algorithme HPC complet
  - Profilage et optimisation du projet
  - Choix de la technologie de parallélisation adaptée
  - Analyse des performances et rapport final
  ---
  **Compétences :**