CorelDraw Rozszerzony Träningskurs
Under den 3 dagar långa utbildningen kommer deltagarna att lära sig lite av teorins historia och riktlinjer omvandlade till exempelprojekt:
"Kalkering" från en ritning på papper till en vektorbild som kan användas för utskrift, skärning, gravering etc.
"Pierre Bézier-kurvor" är reglerna för att skapa grundläggande kurvor såväl som komplexa kurvor, samt redigering och reparation.
"Typografi" är skapandet av ditt eget teckensnitt från en ritning till en OTF-fil (Open Type Font).
Kursplan
Routning:
Förberedelse av rastergrafik för routing
Ställ in parametrar för routing
Välja en metod
Tröskelvärde
Hörn
Antal spår, ankare och färger
Bezier-kurvor:
skapa en klockregel,
Modifierad
Ta bort
Kontrollpunkter
addition
Ta bort
Växlingspunkt och kurvtyp
Anslutningspunkter
Ta bort länkar till punkter
Ändra kurvans riktning
Skapa och modifiera en komplex kurva
Reparation av felaktiga kurvor
Teckensnitt:
Teckensnittstyper och problem
Standarder för tecken placerade i teckensnitt
Korrigera eller lägga till saknade tecken i ett teckensnitt
Installation i operativsystemet
Regler för teckeninteraktion
Använda kurvor för att skapa teckensnitt
Projekt:
Förstå riktlinjerna
Dokumentförberedelse från design till enhet
Validering av dokument
Frågor:
Programmets funktioner och begränsningar
Möjligheter och begränsningar med vektorformat
lösa problem från det dagliga arbetet
Open Training Courses require 5+ participants.
CorelDraw Rozszerzony Träningskurs - Booking
CorelDraw Rozszerzony Träningskurs - Enquiry
CorelDraw Rozszerzony - Consultancy Enquiry
Vittnesmål (2)
Väldigt interaktiv med olika exempel, med en bra progression i komplexitet mellan start och slut av träningen.
Jenny - Andheo
Kurs - GPU Programming with CUDA and Python
Machine Translated
Tränarnas energi och humor.
Tadeusz Kaluba - Nokia Solutions and Networks Sp. z o.o.
Kurs - NVIDIA GPU Programming - Extended
Machine Translated
Upcoming Courses
Relaterade Kurser
GPU Programming with CUDA and Python
14 timmarDenna 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.
Administration of CUDA
35 timmarDen 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.
Learning Maya
14 timmarDenna 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: Create an Animated 3D Application
21 timmarWebGL (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
NVIDIA GPU Programming
14 timmarDenna kurs behandlar hur man programmerar GPU er för parallell databehandling. Vissa av applikationerna inkluderar djup inlärnings-, analys- och teknikapplikationer.
NVIDIA GPU Programming - Extended
21 timmarDenna 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.
Hardware-Accelerated Video Analytics
14 timmarDenna 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).
GPU Programming with OpenCL
28 timmarDenna 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.
GPU Programming with CUDA
28 timmarDenna 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.
GPU Programming - OpenCL vs CUDA vs ROCm
28 timmarDenna 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.
AMD GPU Programming
28 timmarDenna 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.
ROCm for Windows
21 timmarDenna 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.
Introduction to GPU Programming
21 timmarDenna 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.
GPU Programming with OpenACC
28 timmarDenna 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.