Administration of CUDA 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.

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.

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 (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, 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, 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.

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 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 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 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 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).