Raster and Vector Graphics (Adobe Photoshop, CorelDraw) Träningskurs

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda CUDA för att bygga Python applikationer som körs parallellt på NVIDIA GPU:er.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Numba-kompilatorn för att accelerera Python applikationer som körs på NVIDIA GPU:er.
• Skapa, kompilera och starta anpassade CUDA-kärnor.
• Hantera GPU-minne.
• Konvertera en CPU-baserad applikation till en GPU-accelererad applikation.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till systemadministratörer på nybörjarnivå och IT-proffs som vill installera, konfigurera, hantera och felsöka CUDA-miljöer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen, komponenterna och funktionerna i CUDA.
• Installera och konfigurera CUDA-miljöer.
• Hantera och optimera CUDA-resurser.
• Felsöka och felsöka vanliga CUDA-problem.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till webbdesigners som vill använda Maya för att skapa 3D-animationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa realistiska modeller och texturer i Maya.
• Animera och rendera projekt för uppspelning av hög kvalitet.
• Simulera naturliga effekter som vatten och rök.

WebGL (Web Graphics Library) är ett JavaScript-API för att göra 3D-grafik i en webbläsare utan att använda plugin-program.

I den här instruktörsledda träningsutbildningen kommer deltagarna att lära sig att generera realistiska datorbilder med 3D-grafik eftersom de går igenom skapandet av en animerad 3D-applikation som körs i en webbläsare.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå och använd WebGLs olika funktioner, inklusive nät, transformer, kameror, material, belysning och animering
• Animera objekt med WebGL
• Skapa 3D-objekt med WebGL

Publik

• utvecklare

Kursens format

• Delföreläsning, diskussion, övningar och tung praktisk praktik

This course covers how to program GPUs for parallel computing. Some of the applications include deep learning, analytics, and engineering applications.

Denna instruktörsledda, liveutbildning i Sverige täcker hur man programmerar GPUs för parallell beräkning, hur man använder olika plattformar, hur man arbetar med CUDA-plattformen och dess funktioner och hur man utför olika optimeringstekniker med CUDA . Några av applikationerna inkluderar djupinlärning, analys, bildbehandling och ingenjörsapplikationer.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill bygga hårdvaruaccelererade objektdetekterings- och spårningsmodeller för att analysera strömmande videodata.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera nödvändig utvecklingsmiljö, programvara och bibliotek för att börja utveckla.
• Bygg, träna och implementera modeller för djupinlärning för att analysera livevideoflöden.
• Identifiera, spåra, segmentera och förutsäga olika objekt inom videoramar.
• Optimera objektdetekterings- och spårningsmodeller.
• Implementera ett intelligent videoanalysprogram (IVA).

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill använda OpenCL för att programmera heterogena enheter och utnyttja deras parallellitet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar OpenCL SDK, en enhet som stöder OpenCL och Visual Studio kod.
• Skapa ett grundläggande OpenCL-program som utför vektortillägg på enheten och hämtar resultaten från enhetens minne.
• Använd OpenCL API för att fråga enhetsinformation, skapa sammanhang, kommandoköer, buffertar, kärnor och händelser.
• Använd språket OpenCL C för att skriva kärnor som körs på enheten och manipulerar data.
• Använd OpenCL inbyggda funktioner, tillägg och bibliotek för att utföra vanliga uppgifter och operationer.
• Använd OpenCL värd- och enhetsminnesmodeller för att optimera dataöverföringar och minnesåtkomster.
• Använd exekveringsmodellen OpenCL för att styra arbetsobjekt, arbetsgrupper och ND-intervall.
• Felsöka och testa OpenCL program med hjälp av verktyg som CodeXL, Intel VTune och NVIDIA Nsight.
• Optimera OpenCL program med hjälp av tekniker som vektorisering, slingupprullning, lokalt minne och profilering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill använda CUDA för att programmera NVIDIA GPU och utnyttja deras parallellitet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar CUDA Toolkit, en NVIDIA GPU och Visual Studio kod.
• Skapa ett grundläggande CUDA-program som utför vektortillägg på GPU och hämtar resultaten från GPU-minnet.
• Använd CUDA API för att fråga enhetsinformation, allokera och avallokera enhetsminne, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använd språket CUDA C/C++ för att skriva kärnor som körs på GPU och manipulerar data.
• Använd CUDA inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer.
• Använd CUDA-minnesutrymmen, såsom globala, delade, konstanta och lokala, för att optimera dataöverföringar och minnesåtkomster.
• Använd CUDA-exekveringsmodellen för att styra trådarna, blocken och rutnäten som definierar parallelliteten.
• Felsöka och testa CUDA-program med hjälp av verktyg som CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight.
• Optimera CUDA-program med hjälp av tekniker som koalescing, cachning, förhämtning och profilering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill använda olika ramverk för GPU programmering och jämföra deras funktioner, prestanda och kompatibilitet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar OpenCL SDK, CUDA Toolkit, ROCm Platform, en enhet som stöder OpenCL, CUDA eller ROCm och Visual Studio kod.
• Skapa ett grundläggande GPU-program som utför vektortillägg med OpenCL, CUDA och ROCm, och jämför syntaxen, strukturen och exekveringen av varje ramverk.
• Använd respektive API:er för att fråga enhetsinformation, allokera och avallokera enhetsminne, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använd respektive språk för att skriva kärnor som körs på enheten och manipulera data.
• Använd respektive inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer.
• Använd respektive minnesutrymme, som globalt, lokalt, konstant och privat, för att optimera dataöverföringar och minnesåtkomster.
• Använd respektive exekveringsmodell för att styra de trådar, block och rutnät som definierar parallelliteten.
• Felsöka och testa GPU program med hjälp av verktyg som CodeXL, CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight.
• Optimera GPU program med hjälp av tekniker som koalescing, cachning, förhämtning och profilering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill använda ROCm och HIP för att programmera AMD GPU och utnyttja deras parallellitet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar ROCm Platform, en AMD GPU och Visual Studio kod.
• Skapa ett grundläggande ROCm-program som utför vektortillägg på GPU och hämtar resultaten från GPU-minnet.
• Använd ROCm API för att fråga enhetsinformation, allokera och avallokera enhetsminne, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använd HIP-språk för att skriva kärnor som körs på GPU och manipulerar data.
• Använd HIP inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer.
• Använd ROCm- och HIP-minnesutrymmen, såsom globala, delade, konstanta och lokala, för att optimera dataöverföringar och minnesåtkomster.
• Använd ROCm- och HIP-exekveringsmodeller för att styra de trådar, block och rutnät som definierar parallelliteten.
• Felsöka och testa ROCm- och HIP-program med hjälp av verktyg som ROCm Debugger och ROCm Profiler.
• Optimera ROCm- och HIP-program med hjälp av tekniker som koalescing, caching, förhämtning och profilering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill installera och använda ROCm på Windows för att programmera AMD GPU och utnyttja deras parallellitet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar ROCm Platform, en AMD GPU och Visual Studio Code på Windows.
• Skapa ett grundläggande ROCm-program som utför vektortillägg på GPU och hämtar resultaten från GPU-minnet.
• Använd ROCm API för att fråga enhetsinformation, allokera och avallokera enhetsminne, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använd HIP-språk för att skriva kärnor som körs på GPU och manipulerar data.
• Använd HIP inbyggda funktioner, variabler och bibliotek för att utföra vanliga uppgifter och operationer.
• Använd ROCm- och HIP-minnesutrymmen, såsom globala, delade, konstanta och lokala, för att optimera dataöverföringar och minnesåtkomster.
• Använd ROCm- och HIP-exekveringsmodeller för att styra de trådar, block och rutnät som definierar parallelliteten.
• Felsöka och testa ROCm- och HIP-program med hjälp av verktyg som ROCm Debugger och ROCm Profiler.
• Optimera ROCm- och HIP-program med hjälp av tekniker som koalescing, caching, förhämtning och profilering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill lära sig grunderna i GPU programmering och de viktigaste ramverken och verktygen för att utveckla GPU applikationer .

• I slutet av denna utbildning kommer deltagarna att kunna:
  Förstå skillnaden mellan CPU och GPU-datorer och fördelarna och utmaningarna med GPU programmering.
• Välj rätt ramverk och verktyg för deras GPU applikation.
• Skapa ett grundläggande GPU-program som utför vektortillägg med ett eller flera av ramverken och verktygen.
• Använd respektive API:er, språk och bibliotek för att fråga enhetsinformation, allokera och avallokera enhetsminne, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använd respektive minnesutrymme, som globalt, lokalt, konstant och privat, för att optimera dataöverföringar och minnesåtkomster.
• Använd respektive exekveringsmodeller, såsom arbetsobjekt, arbetsgrupper, trådar, block och rutnät, för att kontrollera parallelliteten.
• Felsöka och testa GPU program med hjälp av verktyg som CodeXL, CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight.
• Optimera GPU program med hjälp av tekniker som koalescing, cachning, förhämtning och profilering.

Denna instruktörsledda, live-utbildning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till mellannivå som vill använda OpenACC för att programmera heterogena enheter och utnyttja deras parallellitet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som innehåller OpenACC SDK, en enhet som stöder OpenACC och Visual Studio-kod.
• Skapa ett grundläggande OpenACC-program som utför vektoraddition på enheten och hämtar resultaten från enhetens minne.
• Använd OpenACC-direktiv och -satser för att kommentera koden och ange alternativ för parallella regioner, dataflytt och optimering.
• Använd OpenACC API för att fråga efter enhetsinformation, ställa in enhetsnummer, hantera fel och synkronisera händelser.
• Använd OpenACC-bibliotek och interoperabilitetsfunktioner för att integrera OpenACC med andra programmeringsmodeller, till exempel CUDA, OpenMP och MPI.
• Använd OpenACC-verktyg för att profilera och felsöka OpenACC-program och identifiera flaskhalsar och möjligheter i prestandan.
• Optimera OpenACC-program med hjälp av tekniker som datalokalitet, loopfusion, kärnfusion och automatisk justering.