NVIDIA CUDA GL Reseñas y Detalles del Producto

- Contenerizar un programa gráfico con backend de ML usando CUDA se ha vuelto muy fácil, gracias al esfuerzo de NVIDIA con glvnd. Con los contenedores Cuda GL, es mucho más fácil comenzar en pocos minutos, evitando todos los dolores de cabeza de versiones incompatibles de bibliotecas y fallos arbitrarios. El kit de herramientas de Nvidia tiene soporte para una amplia gama de bibliotecas de ml/dl. Reseña recopilada por y alojada en G2.com.

Desde la última vez que lo vi, recuerdo que el desarrollo y lanzamiento de nuevos contenedores se detuvieron por algún otro trabajo de deuda técnica. Aparte de eso, creo que la comunidad alrededor es buena y está creciendo lentamente. Reseña recopilada por y alojada en G2.com.

Usé CUDA en la universidad para estudiar cosas como el procesamiento paralelo con GPUs, así que es bueno si quieres conocer lo básico y luego comenzar con pasos más avanzados. Reseña recopilada por y alojada en G2.com.

La única desventaja parece ser su antigüedad, es bueno para que alguien aclare los conceptos básicos, pero está algo desactualizado y es intensivo en carga. Tuve que ejecutar su programa en Google Colab en lugar de en la PC local debido a que toma demasiado tiempo para ejecutarse. Reseña recopilada por y alojada en G2.com.

La mejor parte es el soporte multiplataforma que asegura que se comporte de la misma manera en diferentes sistemas operativos. Es bastante fácil integrarlo con un modelo ya construido y es bastante útil para acelerar modelos/aplicaciones que requieren mucho cálculo. Reseña recopilada por y alojada en G2.com.

Esto no es necesariamente una desventaja, pero construir implementaciones básicas podría ser más fácil, pero para aplicaciones más complejas se requiere un buen nivel de comprensión, aunque esa parte suele ser manejada por desarrolladores senior. Así que podría tomar algún tiempo obtener un buen dominio hasta un nivel intermedio a experto. Reseña recopilada por y alojada en G2.com.

Trabajé en NVIDIA CUDA hace mucho tiempo, en 2010. Estaba construyendo una plataforma de evaluación de codificación similar a Leetcode, pero para NVIDIA CUDA, que rastrea el número de núcleos y el uso de memoria junto con la corrección de la solución. Me resultó difícil de entender, ya que los conceptos son diferentes. Sin embargo, pude hacer que el proyecto funcionara y fue utilizado por la Universidad de California para evaluar la habilidad de los estudiantes en programación paralela.

Lo que más me gustó fue la capacidad de dividir y ejecutar programas en paralelo, lo que permite un rendimiento masivo y reduce el tiempo para ejecutar programas intensivos en cálculo por órdenes de magnitud. Reseña recopilada por y alojada en G2.com.

Como era nuevo, tuve dificultades para entender los conceptos de diseñar programas para ejecutarse en múltiples núcleos. Tampoco me gustaron las herramientas relacionadas. No hay depuración ni buen soporte de IDE. Esto fue inicialmente cuando trabajé en ello allá por 2010. No estoy seguro del estado actual. Reseña recopilada por y alojada en G2.com.

He estado usando NVIDIA desde hace 6 años y ha tenido un rendimiento muy bueno. Durabilidad en su mejor momento. Funcionando sin problemas durante 6 años es algo que debe ser apreciado. Reseña recopilada por y alojada en G2.com.

No hay nada que me desagrade de NVIDIA, pero dado los avances tecnológicos, los productos deberían estar disponibles a precios razonables. Aparte de eso, creo que todo está bien. Reseña recopilada por y alojada en G2.com.

Tiene el mejor rendimiento del mercado en lo que respecta a la computación. Proporcionan una arquitectura fácil de usar y para fines de distribución. El conjunto de herramientas de Nvidia es muy completo. Reseña recopilada por y alojada en G2.com.

No hay un inconveniente específico, pero todo tiene un margen de mejora. Está diseñado principalmente para tarjetas más antiguas, aunque también se adapta bien a las más nuevas. En general, excelente. Reseña recopilada por y alojada en G2.com.

Me gustan varios aspectos de NIVIDA CUDA GL:

1. Acelera significativamente el cálculo de tensores.

2. Tiene mejor compatibilidad con una versión diferente de GPU.

3. Ha reducido el bloqueo del sistema operativo (tengo experiencia en Ubuntu 18.04 y Ubuntu 20.04) y errores en algunas bibliotecas después de instalar la nueva biblioteca. Reseña recopilada por y alojada en G2.com.

Hasta ahora no he encontrado ningún problema al trabajar con NIVIDA CUDA GL. Todo es genial. Reseña recopilada por y alojada en G2.com.

Es velocidad y características de computación en paralelo. Reseña recopilada por y alojada en G2.com.

Su costo es un poco alto para usuarios promedio como yo. Reseña recopilada por y alojada en G2.com.

Facilidad de uso y fácil adopción en las GPU de NVIDIA. El lenguaje CUDA también parece familiar, por lo que es fácil y rápido de entender y aprender, lo cual es una de las mayores ventajas que tiene sobre sus competidores. Reseña recopilada por y alojada en G2.com.

El único problema es que al ser específico de la arquitectura de NVIDIA, es un poco difícil de recomendar considerando que hay alternativas como OpenCl. Si hay alguna mejora que hacer, creo que sería intentar ser más inclusivo. Reseña recopilada por y alojada en G2.com.

Ya estamos al tanto de los lenguajes de programación, CUDA es tan simple como cualquier otro lenguaje de programación para entender y codificar rápidamente la lógica de procesamiento paralelo. Reseña recopilada por y alojada en G2.com.

La falta de recursos en línea y tutoriales rápidos con ejemplos debe estar disponible para aumentar el uso. Además, comprender cuándo usar y cuándo no usar CUDA es una habilidad que también debería explicarse. Reseña recopilada por y alojada en G2.com.