High Performance Computing with Python

1. Como aumentar o desempenho de
sua aplicação com

2. 2
Agenda
● Apresentação
●
Introdução
●
HPC e Aplicações
● Python /Compiladores
●
Profiler
●
Caching
● Multicore – ManyCore
● Threading / Multiprocess
●
MPI4Py
●
NumPy
●
PyCUDA
● Anaconda / NumbaPro
● Perguntas

3. 3
Apresentação
● O que é HPC
TOP 500

4. 4
CEPID ­ CCES
● Center for Computational Engineering & Sciences
● Desenvolvimento e Aplicação de Técnicas de
modelagem computacionais avançadas
● Interação com a Indústria
● Promover a Educação e Difusão de Conhecimento

5. 5
CCES – Aplicações
● Data Cyberstructure
● High-Performance and Data-Intensive Computing
● Quantum and Classical Molecular Simulations in
Biophisical Chemistry / Applied Physics
● Computational Quantum Chemistry
● Computational Mechanical Engineering
● Bioinformatics and Computational Biology
● Computational Geophysics

6. 6
Moore's Law
O número de transistores em um denso
circuito integrado tem dobrado
aproximadamente a cada dois anos
Gordon E. Moore (1965)

7. 7
Free Lunch is Over

8. 8
Python
● Linguagem de programação de alto nível
● Interpretada
● Imperativa
● Orientada a objetos
● Funcional
● De tipagem dinâmica e forte
● Portável

9. 9
Desempenho
● O Python não é lento
● Os interpretadores Python existentes são lentos
● Cpython por exemplo

10. 10
Melhorando o Desempenho
● Solução → outros Interpretadores
● PyPy – Jython – IronPython
● Exemplo PyPy → http://pypy.org/

11. 11
PyPy Performance
● Comparando com CPython
http://speed.pypy.org/

12. 12
Profilers
● Profile e cProfile → APIs para coletar e analizar
estatisticamente como o Python consome recursos
do processador

13. 13
Profilers (cont.)
● Pstats → Maior flexibilidade para seus próprios relatórios

14. 14
Profilers(cont.)
● VMProf
É simples python -m vmprof
● Parecido com Intel Vtune
● Captura informações sobre seu código sobre
pequenas execuções podendo ser configurado
dentro da API.
● Trabalha em cima da C Stack

15. 15
Caching
● Arrays devem ter acesso sequencial
● Evitar saltos como listas se possível
● Utilize bibliotecas que são otimizadas
while i < n
x += array[i]
i += 1

16. 16
Multicore ­ ManyCore
● Multicore –> Processadores com Poucos Núcleos
ManyCores → Centenas de Núcleos
Ex. GPUs

17. 17
Threading

18. 18
Multiprocessing

19. 19
MPI4PY

20. 20
NumPy
● Potente N-dimensional objeto de array
● Funções de Broadcast
● Ferramentas para itegrar C/C++ e Fortran
● Várias funções matemáticas prontas acelerando o processamento e
desenvolvimento
NumPy é um pacote fundamental para computação científica com Python.

21. 21
NumPy Exemplo

22. 22
PyCUDA
● Permite acessar as GPUs (Nvidia) através do
Python permitindo acelerar o código

23. 23
Anaconda / NumbaPro
● Anaconda é um pacote free para Python para
procesamento em larga escala, análise de dados e
computação científica
● NumbaPro é um versão do Numba que auxilia os
desenvolvedores a acelerar suas aplicações

24. 24
NumbaPro Exemplos
CPU GPU

25. 25
Perguntas