对于希望学习GPU并行编程的读者，本书简直是天赐之物。书中介绍了CUDA，一种类C的数据并行语言，介绍了Testa，当前的NVIDIA GPU显示核心的体系结构。除了解释语言和体系结构，本书还详细说明了可以在异构CPU—GPU硬件上平稳运行的数据并行问题的类型……本书是一本重要的并行计算参考文献。

本书介绍了学生和专业人员都适合的并行编程与GPU体系结构的基本概念，详细剖析了编写并行程序所需的各种技术，用案例研究说明了并行程序设计的整个开发过程，即从计算机思想开始，直到最终实现高效可行的并行程序。

第1章 引言

 1.1 GPU与并行计算机

 1.2 现代GPU的体系结构

 1.3 为什么需要更高的速度和并行化

 1.4 并行编程语言与模型

 1.5 综合目标

 1.6 本书的组织结构

第2章 GPU计算的发展历程

 2.1 图形流水线的发展

2.1.1 固定功能的图形流水线时代

2.1.2 可编程实时图形流水线的发展

2.1.3 图形与计算结合的处理器

2.1.4 GPU：一个中间步骤

 2.2 GPUU计算

2.2.1 可扩展的GPU

2.2.2 发展近况

 2.3 未来发展趋势

第3章 CUDA简介

 3.1 数据并行性

 3.2 CUUDA的程序结构

 3.3 矩阵乘法示例

 3.4 设备存储器与数据传输

 3.5 kernel函数与线程

 3.6 小结

3.6.1 函数声明

3.6.2 启动kernel函数

3.6.3 预定义变量

3.6.4 运行时API

第4章 CUDA线程

 4.1 CUDA线程组织结构

 4.2 使用blockIdx和threadIdx

 4.3 同步与透明可扩展性

 4.4 线程分配

 4.5 线程调度和容许延时

 4.6 小结

 4.7 习题

第5章 CUDA存储器模型

 5.1 存储器访问效率的重要性

 5.2 CUUDA设备存储器的类型

 5.3 减少全局存储器流量的策略

 5.4 存储器——限制并行性的一个因素

 5.5 小结

 5.6 习题

第6章 性能优化

 6.1 更多关于线程执行的问题

 6.2 全局存储器的带宽

 6.3 SM资源的动态划分

 6.4 数据预取

 6.5 指令混合

 6.6 线程粒度

 6.7 可度量的性能和小结

 6.8 习题

第7章 浮点运算

 7.1 浮点格式

7.1.1 M的规范化表示

7.1.2 E的余码表示

 7.2 能表示的数

 7.3 特殊的位模式与精度

 7.4 算术运算的准确度和舍入

 7.5 算法的优化

 7.6 小结

 7.7 习题

第8章 应用案例研究：高级MRI重构

 8.1 应用背景

 8.2 迭代重构

 8.3 计算FHd

 8.4 最终评估

 8.5 习题

第9章 应用案例研究：分子可视化和分析

 9.1 应用背景

 9.2 kernel函数简单的实现方案

 9.3 指令执行效率

 9.4 存储器合并

 9.5 附加性能比较

 9.6 采用多GPU

 9.7 习题

第10章 并行编程和计算思想

 10.1 并行编程的目标

 10.2 问题分解

 10.3 算法选择

 10.4 计算思想

 10.5 习题

第11章 OpenCL简介

 11.1 背景

 11.2 数据并行性模型

 11.3 设备的体系结构

 11.4 kernel函数

 11.5 设备管理和启动kernel

 11.6 OpenCL中的静电势图谱

 11.7 小结

 11.8 习题

第12章 结论与展望

 12.1 重申目标

 12.2 存储器体系结构的演变

12.2.1 大型虚拟和物理地址空间

12.2.2 统一的设备存储空间

12.2.3 可配置的缓存和暂时存储器

12.2.4 提高原子操作的速度

12.2.5 提高全局存储器的访问速度

 12.3 kernel函数执行控制过程的演变

12.3.1 kernel函数内部的函数调用

12.3.2 kernel函数中的异常处理

12.3.3 多个kernel函数的同步执行

12.3.4 可中断的kernel函数

 12.4 内核的性能

12.4.1 双精度的速度

12.4.2 提高控制流的效率

 12.5 编程环境

 12.6 美好前景

附录A 矩阵乘法主机版的源代码

附录B GPU的计算能力