GPU Kurs i Sverige

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 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 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.

CloudMatrix är Huaweis enhetliga AI-utvecklings- och distribueringsplattform som är utformad för att stödja skalbara, produktionsvärdiga inferenspipelines.

Denna instruktörsledda, levande utbildning (online eller på plats) riktar sig till AI-professionella på nybörjarnivå till mellannivå som vill distribuera och övervaka AI-modeller med hjälp av CloudMatrix-plattformen med CANN- och MindSpore-integrering.

Vid utbildningens slut kommer deltagarna att kunna:

• Använda CloudMatrix för modellpaketering, distribution och leverans.
• Konvertera och optimera modeller för Ascend-chipset.
• Ställa in pipelines för realtids- och batchinferensuppgifter.
• Övervaka distributioner och justera prestanda i produktionsmiljöer.

Kursformat

• Interaktiv föreläsning och diskussion.
• Praktisk användning av CloudMatrix med verkliga distributionsscenarier.
• Ledda övningar som fokuserar på konvertering, optimering och skalning.

Anpassningsalternativ för kursen

• För att begära en anpassad utbildning för denna kurs baserat på din AI-infrastruktur eller molnmiljö, kontakta oss för att ordna.

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 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.

Ascend, Biren, and Cambricon are leading AI hardware platforms in China, each offering unique acceleration and profiling tools for production-scale AI workloads.

This instructor-led, live training (online or onsite) is aimed at advanced-level AI infrastructure and performance engineers who wish to optimize model inference and training workflows across multiple Chinese AI chip platforms.

By the end of this training, participants will be able to:

• Benchmark models on Ascend, Biren, and Cambricon platforms.
• Identify system bottlenecks and memory/compute inefficiencies.
• Apply graph-level, kernel-level, and operator-level optimizations.
• Tune deployment pipelines to improve throughput and latency.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of profiling and optimization tools on each platform.
• Guided exercises focused on practical tuning scenarios.

Course Customization Options

• To request a customized training for this course based on your performance environment or model type, please contact us to arrange.

Chinese GPU architectures such as Huawei Ascend, Biren, and Cambricon MLUs offer CUDA alternatives tailored for local AI and HPC markets.

This instructor-led, live training (online or onsite) is aimed at advanced-level GPU programmers and infrastructure specialists who wish to migrate and optimize existing CUDA applications for deployment on Chinese hardware platforms.

By the end of this training, participants will be able to:

• Evaluate compatibility of existing CUDA workloads with Chinese chip alternatives.
• Port CUDA codebases to Huawei CANN, Biren SDK, and Cambricon BANGPy environments.
• Compare performance and identify optimization points across platforms.
• Address practical challenges in cross-architecture support and deployment.

Format of the Course

• Interactive lecture and discussion.
• Hands-on code translation and performance comparison labs.
• Guided exercises focused on multi-GPU adaptation strategies.

Course Customization Options

• To request a customized training for this course based on your platform or CUDA project, please contact us to arrange.

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

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som innehåller CUDA Toolkit, en NVIDIA-kod GPU och Visual Studio.
• Skapa ett grundläggande CUDA-program som utför vektoraddition på GPU och hämtar resultaten från GPU-minnet.
• Använd CUDA API för att fråga efter enhetsinformation, allokera och frigöra enhetsminne, kopiera data mellan värd och enhet, starta kernels och synkronisera trådar.
• Använd CUDA C/C++-språket för att skriva kernels som körs på GPU och manipulerar data.
• Använd inbyggda CUDA-funktioner, variabler och bibliotek för att utföra vanliga uppgifter och åtgärder.
• Använd CUDA-minnesutrymmen, till exempel globala, delade, konstanta och lokala, för att optimera dataöverföringar och minnesåtkomst.
• Använd CUDA-körningsmodellen för att styra de trådar, block och rutnät som definierar parallelliteten.
• Felsök och testa CUDA-program med hjälp av verktyg som CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight.
• Optimera CUDA-program med hjälp av tekniker som sammanslagning, cachelagring, förhämtning och profilering.

97% de kunder tillfredsställer .

Huawei Ascend är en familj av AI-processorer designade för högpresterande inferens och träning.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till AI-ingenjörer och datavetare på mellan-nivå som vill utveckla och optimera neurala nätverksmodeller med hjälp av Huaweis Ascend-plattform och CANN-verktygssamlingen.

Efter avslutad träning kommer deltagarna att kunna:

• Installera och konfigurera CANN-utvecklingsmiljön.
• Utveckla AI-applikationer med hjälp av MindSpore och CloudMatrix arbetsflöden.
• Optimera prestanda på Ascend NPUs med hjälp av anpassade operatörer och kacheminde.
• Distribuera modeller till kant- eller molnmiljöer.

Kursens Format

• Interaktiv föreläsning och diskussion.
• Pratisk användning av Huawei Ascend och CANN-verktygssamlingen i exempelapplikationer.
• Vägledda övningar fokuserade på modellbyggande, träning och distribution.

Alternativ för Anpassning av Kurs

• För att begära en anpassad träning för den här kursen baserat på din infrastruktur eller datamängder, kontakta oss för att arrangera.

Biren AI Accelerators är högpresterande GPUs designade för AI- och HPC-arbetsbelastningar med stöd för stora skaliga tränings- och inferensprocesser.

Denna instruktörsledda, levande utbildning (online eller på plats) riktar sig till utvecklare på mellan- till avancerad nivå som vill programmera och optimera applikationer med hjälp av Birens proprietära GPU stack, med praktiska jämförelser med CUDA-baserade miljöer.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå Biren GPU arkitektur och minneshierarki.
• Konfigurera utvecklingsmiljön och använda Birens programmeringsmodell.
• Översätta och optimera CUDA-stilkod för Biren-plattformar.
• Tillämpa prestandajustering och felsökningsmetoder.

Kursformat

• Interaktiv föreläsning och diskussion.
• Hands-on användning av Biren SDK i exempel GPU arbetsbelastningar.
• Gudda övningar inriktade på portering och prestandajustering.

Anpassningsalternativ för kursen

• För att begära en anpassad utbildning för denna kurs baserad på din applikationsstack eller integrationsbehov, vänligen kontakta oss för att boka.

Cambricon MLUs (Machine Learning Enheter) är specialiserade AI-kretsar optimerade för inferens och träning i kanten och datacenter-scenarier.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till utvecklare på mellannivå som vill bygga och distribuera AI-modeller med hjälp av BANGPy-ramverket och Neuware SDK på Cambricon MLU-hårdvara.

Vid utbildningens slut kommer deltagarna att kunna:

• Installera och konfigurera BANGPy- och Neuware-utvecklingsmiljöer.
• Utveckla och optimera Python- och C++-baserade modeller för Cambricon MLUs.
• Distribuera modeller till kants- och datacenter-enheter som kör Neuware-runtime.
• Integrera ML-arbetsflöden med MLU-specifika accelerationsegenskaper.

Kursens format

• Interaktiv föreläsning och diskussion.
• Hands-on användning av BANGPy och Neuware för utveckling och distribution.
• Ledda övningar med fokus på optimering, integration och testning.

Alternativ för kursanpassning

• För att begära en anpassad utbildning för denna kurs baserat på din Cambricon-enhetsmodell eller användningsfall, vänligen kontakta oss för att ordna.

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 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 lärarledda, live-träningen på plats eller online (online eller på plats) är avsedd för mellanliggande utvecklare som vill använda CUDA för att bygga Python-program som kör parallellt på NVIDIA GPU:er.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använda 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 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.