Proyecto 02 — Compilación para GPU con Numba CUDA (JIT → PTX)

Este repositorio contiene un programa demostrativo ejecutable que toma operaciones matriciales básicas (multiplicación y suma) y las ejecuta como kernels paralelos en GPU usando Numba CUDA (JIT).

El objetivo del programa es hacer explícito:

• CPU (secuencial): el cálculo se expresa como bucles for (por ejemplo, 2–3 bucles anidados).
• GPU (paralelo): esos índices del bucle se mapean a coordenadas de hilos con cuda.grid(2).
• Compilación JIT: la primera ejecución en GPU tiene un costo de compilar el kernel alto (generando código PTX). Las siguientes ejecuciones reutilizan lo ya compilado para la misma firma de tipos.

---

¡ IMPORTANTE !

Si no se cuenta con una GPU NVIDIA local, se puede ejecutar el proyecto en Google Colab: descargar y comprimir el proyecto como ZIP, súbirlo a Colab, descomprímelo y ejecutar el script activando un entorno con GPU (T4) (Instrucciones complestas abajo).

---

Estructura del repositorio

CompilacionGPU/
├── README.md
├── requerimientos.txt
├── scripts/
│   ├── set_path.ps1
│   └── set_path.sh
└── src/
    ├── run.py
    └── gpu_compilacion/
        ├── __init__.py
        ├── bench.py      # utilidades de medición/benchmark
        ├── kernels.py    # kernels CUDA (Numba @cuda.jit)
        ├── main.py       # flujo principal del demo (CPU vs GPU, prints)
        └── ops.py        # operaciones CPU (referencia secuencial)

---

Requisitos

• Python 3.10–3.12 (probado con 3.11)

• GPU NVIDIA con drivers instalados (CUDA Driver)

  • Si no hay GPU disponible, el programa corre en CPU y lanza un error para de GPU.

Entorno virtual (Linux Debian/Ubuntu y derivados)

En estos sistemas, pip puede bloquear instalaciones globales por PEP 668 (externally-managed-environment). Por lo tanto, este proyecto se instala y ejecuta solo dentro de un venv.

---

Dependencias

El archivo requerimientos.txt incluye:

• numba
• numpy

No se recomienda instalar dependencias “globales” con pip en Linux.

---

Instalación

Linux/macOS (venv obligatorio)

python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip
pip install -r requerimientos.txt

Windows PowerShell

py -m venv .venv
.\.venv\Scripts\activate
python -m pip install --upgrade pip
pip install -r requerimientos.txt

---

Ejecución rápida

Desde la raíz del repo (con el venv activo):

python src/run.py 1024

Donde 1024 es el tamaño N para matrices N×N.

¿Qué imprime el programa?

• tiempos de CPU secuencial

• tiempos de GPU separados en:

  • tiempo de kernel (ejecución en GPU)
  • tiempo de transferencias (Host↔Device)
  • tiempo total GPU

• speedup aproximado

• validación (CPU vs GPU) con tolerancia numérica

---

Costo de compilación JIT

Ejecuta el programa dos veces con el mismo N:

python src/run.py 1024
python src/run.py 1024

La primera ejecución puede ser más lenta del lado GPU por el costo de compilación JIT (además de transferencias/launch). En la segunda ya se reutiliza el kernel compilado (misma firma de tipos).

---

Ejecutar en Google Colab (sin GPU NVIDIA local)

1. En Colab abrir: Entorno de ejecución > Cambiar tipo de entorno de ejecución

   • Acelerador por hardware: GPU T4

2. Sube el proyecto como .zip (desde el panel de archivos) y descomprímelo. Luego, en una celda:

!unzip -q CompilacionGPU.zip -d CompilacionGPU
%cd CompilacionGPU
!pip -q install -r requerimientos.txt
!python src/run.py 1024

Si el nombre del zip/carpeta cambia, se debe ajsutar CompilacionGPU.zip y/o la ruta del cd.

---

Referencias (documentación)

Numba CUDA (docs): https://numba.readthedocs.io/en/stable/
NVIDIA PTX ISA:    https://docs.nvidia.com/cuda/parallel-thread-execution/index.html

---

Colaboradores

• Mendiola Gutiérrez Francisco Javier
• Flores Linares Oscar Daniel
• Martinez Martinez Geovani
• Ortiz Ménez Victor Gael