一文说透：高性能计算学习路线及教程！

废墟猎人

高性能计算从广义上来说，已经不仅仅局限于使用高性能计算机来加速计算了，从底层的硬件架构，操作系统，中间件，到并行编程模型，再到上层的应用，都在高性能计算所关注的领域范围内。

从个人的理解来看，从事高性能计算的人员分类大致可以分为两类：一是高性能计算应用研发类，二是高性能计算系统运维类。

要胜任高性能计算研发类岗位，需具备以下的相关知识：
1：Linux系统基本操作，学习常用命令，vim，gcc编译器等。

2：能熟练运用C/C++/Fortran/python等语言中进行编程，会C最好。

3：常见软件编译安装，学习gmake/make/cmake等编译工具的使用方法。

4：如果做多核CPU应用程序开发，需要学习MPI，OpenMP等并行编程模型。

深度优化需要结合相应的体系结构，需要学习计算机的体系结构相关的知识，例如指令集，流水线，寄存器，高速缓存以及SIMD等知识。

5：如果做异构程序开发，需要学习异构编程模型，例如CUDA，OpenCL或者OpenACC等。也需要学习异构加速硬件的体系结构，例如GPU，DSP或者Intel MIC等

6：相对应领域的专业背景知识及算法，精通算法能让你在高性能计算应用研发领域走的更远。

高性能计算系统运维涉及的内容就更广泛了：
从普通的服务器，到集群，再到云计算等，虽然说运维行业需要的门槛较低，但需要学习的内容更为繁杂。以集群运维管理为例，需要学习的知识有：

1：Linux系统基本运维管理，例如不同版本的系统安装、用户管理、网络配置、权限控制以及安全控制等。

2：集群用户管理及目录协同管理，比如LDAP的配置与使用。

3：网络运维，包括常见交换机的配置与管理。常见高速网络的运维管理，例如IB网，OPA网络配置与使用等。

4：并行文件系统的运维管理，例如lustre或者bgfs等文件系统的配置与管理。

5：作业调度系统的运维管理，常用的有slurm和pbs，建议学习slurm的配置与管理。

6：软件部署与安装，学习常用的编译工具gmake/make/cmake等

7：环境快速部署与搭建，比如conda使用。容器技术，例如docker或者singularity。

GPU并行计算主要分为两大块，一类是图形计算，一类是做通用计算。
图形计算主要是做图像处理的，例如电影画面渲染、游戏画面渲染等，这一类GPU通常称之为显卡。要做这方面的应用工程师，需要掌握计算图形学的知识，例如图形硬件、图形标准、图形交互技术、光栅图形生成算法、图像纹理等，需要掌握通用图形计算API的相关使用方法及优化方法，例如OpenGL，Vulkan，GLSL等。

通用计算主要是用来加速基础学科研究的，例如理论物理、化学材料、金属加工、生物信息、航空航天、国防工业、深度学习、人工智能等方向。要做这类工作，需要具备相关专业的知识背景、基础算法以及常用GPU的开发环境，例如CUDA、Rocm、OpenCL等使用方法，当然也需要熟悉GPU的硬件体系结构。

现在图形计算和通用计算这两者有大统一的趋势，建议两者并重比较好。但是要学习的知识就更多了。