Lenguajes y Fundamentos de Programación · LNG-121

Julia avanzado: rendimiento y computación científica

Estabilidad de tipos, asignaciones, paralelismo y llamadas a C para código numérico rápido.

Próximamente Avanzado 6 módulos · 29 clases

Formato asíncrono Ingeniería / Industria, Desarrollo Julia, JupyterLab

DESARROLLO JUPYTER

Lo que aprenderás

Medir con BenchmarkTools y distinguir tiempo real de ruido de medición.
Detectar inestabilidad de tipos con code_warntype y corregir las funciones afectadas.
Reducir asignaciones con vistas, preasignación y operaciones sobre el propio array.
Aplicar StaticArrays, inlining y macros de rendimiento como inbounds y simd con criterio.
Paralelizar con hilos y con procesos distribuidos según la naturaleza del problema.
Llamar a bibliotecas de C y de Fortran con ccall respetando la disposición de memoria.

Contenido del curso

6 módulos · 29 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Cómo se ejecuta Julia 4 clases

Compilación justo a tiempo y especialización por tipos
El coste de la primera llamada
Qué mira el compilador para generar buen código
Preparar un banco de pruebas fiable

Módulo 2 · Medir antes de tocar 5 clases

BenchmarkTools: benchmark y btime
Ruido, calentamiento y varianza entre ejecuciones
El perfilador y la lectura del gráfico de llamadas
Medir asignaciones con allocated
Comparar dos implementaciones con criterio

Módulo 3 · Estabilidad de tipos 5 clases

Qué es una función con tipo inestable y por qué es cara
code_warntype y la lectura de sus avisos
Variables globales, contenedores heterogéneos y Any
Barreras de función para aislar el problema
code_llvm y code_native para los casos difíciles

Módulo 4 · Memoria y asignaciones 5 clases

Vistas frente a copias en operaciones sobre arrays
Preasignar y trabajar con funciones que modifican en su sitio
Fusión de operaciones con difusión
StaticArrays para tamaños pequeños y conocidos
inbounds, simd e inline: cuándo ayudan y cuándo engañan

Módulo 5 · Paralelismo 5 clases

Hilos con Threads y reparto de trabajo
Condiciones de carrera y reducciones seguras
Procesos distribuidos con Distributed
Comunicación de datos entre procesos y su coste
Elegir entre hilos, procesos y vectorización

Módulo 6 · Interoperabilidad y cierre 5 clases

ccall a bibliotecas de C
Disposición de memoria por columnas y llamadas a Fortran
Gestionar punteros y memoria externa sin fugas
Empaquetar el código optimizado como paquete propio
Proyecto de cierre: optimizar un solucionador numérico y documentar las mejoras

Requisitos

Programar en Julia con soltura: funciones, tipos, despacho múltiple y arrays.
Conocer conceptos básicos de memoria, punteros y compilación.
Basta con un navegador para la mayor parte del curso; para las pruebas de paralelismo conviene un equipo con varios núcleos.

Descripción

Julia promete rendimiento cercano al de C, pero un código escrito sin cuidado puede ir órdenes de magnitud más lento que su equivalente bien construido. La causa casi nunca es el lenguaje: son variables globales, funciones cuyo tipo de retorno no se puede inferir, arrays que se copian sin necesidad y bucles que asignan memoria en cada iteración.

El curso enseña a diagnosticar antes que a optimizar. Se empieza midiendo con BenchmarkTools y leyendo la salida del perfilador, se pasa a la inspección con code_warntype y code_llvm para localizar inestabilidad de tipos, se reducen asignaciones con vistas y preasignación, y después se aborda el paralelismo con hilos y procesos y la interoperabilidad con bibliotecas de C y Fortran mediante ccall.

El resultado es un método de trabajo repetible y defendible: medir, localizar el cuello de botella real, corregir su causa y volver a medir para confirmar la mejora. Se aplica igual a un solucionador numérico, a un procesamiento masivo de series temporales o a una biblioteca propia que otros equipos vayan a utilizar y cuyo rendimiento haya que justificar.

¿Para quién es este curso?

Ingenieros de simulación que necesitan reducir el tiempo de cálculo de modelos que ya funcionan.
Desarrolladores de bibliotecas científicas en Julia que quieren código estable en tipos y sin asignaciones ocultas.
Personal de computación de altas prestaciones que evalúa Julia frente a C o Fortran en su flujo de trabajo.