Nvidia STL ok

Nvidia_STL.typ

@@ -21,8 +21,8 @@
 #slide(
   title: "Contenu",
 )[
-  Maintenant que nous avons les bases nous allons voir comment paralléliser notre
-  code avec le kit HPC de Nvidia.
+  Maintenant que nous avons les bases, nous allons voir comment paralléliser notre
+  code avec le kit HPC de Nvidia
 ]
 
 #new-section-slide("Le SDK HPC de Nvidia")
@@ -38,7 +38,7 @@
   - des librairies de communication (ex : OpenMPI)
 
   En résumé, un grand nombre d'outils pour réaliser une application HPC (basé sur
-  du matériel Nvidia majoritairement).
+  du matériel Nvidia majoritairement)
 
   #figure(
     image("assets/hpc-sdk_content.png"),
@@ -49,9 +49,9 @@
 #slide(
   title: "Le compilateur nvc++",
 )[
-  Dans le cadre de ce cours, nous allons nous concentrer sur le compilateur nvc++.
+  Dans le cadre de ce cours, nous allons nous concentrer sur le compilateur nvc++
 
-  Il permet du compiler du C, C++ ou CUDA.
+  Il permet du compiler du C, C++ ou CUDA
 
   Ce qui va nous intéresser particulièrement, c'est son support des _Parallel Algorithms_ introduits
   avec C++17
@@ -64,7 +64,7 @@
 )[
   Depuis C++17, les algorithmes de la STL peuvent prendre en paramètre une
   politique d'exécution. Cette politique permet d'indiquer au compilateur comment
-  paralléliser le traitement des données.
+  paralléliser le traitement des données
 
   On retrouve 4 politiques :
   #box(
@@ -108,7 +108,7 @@ std::cout << is_sorted << std::endl;
   title: "Compiler avec nvc++",
 )[
 Une fois notre code écrit, il faut le compiler avec nvc++ en indiquant comment
-le paralléliser.
+le paralléliser
 
 ```console
 nvc++ -std=c++20 -stdpar=gpu -O3 parallel_sort.cpp -o parallel_sort
@@ -124,20 +124,21 @@ Nous avons trois paramètres principaux :
 #slide(
   title: "Les types de parallélisation disponibles",
 )[
-Le compilateur nvc++ permet de paralléliser son code sur CPU ou sur GPU.
+Le compilateur nvc++ permet de paralléliser son code sur CPU ou sur GPU avec le
+framework Thrust de Nvidia
 
-Le paramètre `stdpar` prend 2 valeurs :
+Le paramètre `stdpar` peut prendre 2 valeurs :
 #box(
   columns(
     2,
     gutter: 22pt,
   )[
     == multicore
-    Le code est parallélisé sur CPU avec la framework Thrust de Nvidia.
+    Le code est parallélisé sur un CPU multicore
     #colbreak()
     == gpu
-    Le code est parallélisé sur GPU avec la framework Thrust de Nvidia. Nécessite un
-    GPU Nvidia avec une architecture Pascal (ex: GTX 1080) ou plus récent.
+    Le code est parallélisé sur GPU. Nécessite un GPU Nvidia avec une architecture
+    Pascal (ex: GTX 1080) ou plus récent
   ],
 )
 ]
@@ -149,15 +150,15 @@ Le paramètre `stdpar` prend 2 valeurs :
 #slide(
   title: "Communiquer des données au GPU",
 )[
-  Pour rappel, le GPU et CPU ont deux espaces d'adressage distincs. On ne peut
+  Pour rappel, le GPU et CPU ont deux espaces d'adressage distincts. On ne peut
   donc pas directement accéder à des données qui se trouve sur la ram de l'_Host_
-  depuis le _Device_.
+  depuis le _Device_
 
-  Quand on passe simplement un itérateur à un algorithme STL, il n'y a rien besoin
-  de faire. Le compilateur va gérer l'allocation, la copie et la libération des
-  données sur le device.
+  Quand on passe en paramètre un itérateur à un algorithme STL, il n'y a rien
+  besoin de faire. Le compilateur va gérer l'allocation, la copie et la libération
+  des données sur le device
 
-  Mais comment faire pour capturer un vecteur par exemple?
+  Mais comment faire pour capturer un vecteur par exemple ?
 ]
 
 #slide(title: "Exemple d'accès illégal")[
@@ -177,11 +178,11 @@ std::for_each(std::execution::par_unseq,
 ```
 
 Ce code provoque un warning à la compilation et une erreur
-`cudaErrorIllegalAddress` à l'exécution.
+`cudaErrorIllegalAddress` à l'exécution
 ]
 
 #slide(title: "Solution")[
-Pour régler ce problème, il suffit de capturer la mémoire par copie.
+Pour régler ce problème, il suffit de capturer la mémoire par copie
 
 ```cpp
 std::vector<int> v = {6, 3, 4, 12, 1, 15};
@@ -202,15 +203,17 @@ std::for_each(std::execution::par_unseq,
 #slide(
   title: "Le compilateur ne peut pas tout copier",
 )[
-Attardons nous sur cet extrait de code `[device_v = v.data(), cst]`
+Attardons nous sur cet extrait de code "`[device_v = v.data(), cst]`"
 
 Le compilateur ne va pas simplement copier le pointeur `v.data()`, il va
 remonter à l'allocation mémoire de la zone pointée et va s'occuper de la rendre
-accessible depuis le device.
+accessible depuis le device
 
 Par conséquent, il n'est pas possible d'utiliser de la mémoire allouée par du
 code qui n'aurait pas été compilé par nvc++ (ex: une librairie paratagée comme
-OpenCV).
+OpenCV)
+
+#v(20%)
 
 Le compilateur s'appuie principalement sur la CUDA Unified memory. Pour plus
 d'information à ce sujet, je vous recommande ce billet de blog :
@@ -220,18 +223,18 @@ d'information à ce sujet, je vous recommande ce billet de blog :
 #new-section-slide("Le futur avec C++23 (views et mdspans)")
 
 #slide(
-  title: "",
+  title: "Le futur avec C++23",
 )[
   La prochaine étape majeure dans ce paradigme apparaît avec C++23. Depuis C++ 20,
-  les spans et les views ont fait leur apparition.
+  les spans et les views ont fait leur apparition
 
-  Les views sont une forme d'itérateurs à évaluation paresseuse.
+  Les views sont une forme d'itérateurs à évaluation paresseuse
 
   Dans C++23, on voit apparaître de nouvelles méthodes pour combiner les views
-  comme par exemple le produit cartésien pour générer les indices d'une matrice.
+  comme par exemple le produit cartésien pour générer les indices d'une matrice
 
   Et la grande nouveauté, les mdspans qui permettent de gérer des structures de
-  données multidimensionnelles.
+  données multidimensionnelles
 ]
 
 #new-section-slide("Exemple de code C++23 et notions à retenir")