GPU Kurs i Stockholm

Denna instruktörsledda, live-utbildning i Stockholm (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 Stockholm (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 Stockholm (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 Stockholm (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.

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 Stockholm (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 och Cambricon är ledande AI-hårdvaruplattformar i Kina, var och en erbjuder unika accelerations- och profileringverktyg för AI-arbetsbelastningar i produktionsskala.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till AI-infrastruktur- och prestandaingenjörer på avancerad nivå som vill optimera modellinferens och träning av arbetsflöden över flera kinesiska AI-chipplattformar.

Vid slutet av denna träning kommer deltagarna att kunna:

• Bänkpröva modeller på Ascend, Biren och Cambricon-plattformar.
• Identifiera systemflaskhalsar och minnes-/beräkningsineffektivitet.
• Tillämpa optimeringar på grafnivå, kärnelnivå och operatörsnivå.
• Justerar distributionspipelines för att förbättra genomströmning och latens.

Format för kursen

• Interaktiv föreläsning och diskussion.
• Pratisk användning av profilering- och optimeringverktyg på varje plattform.
• Guiderade övningar fokuserade på praktiska justeringsscenarier.

Kursanpassningsalternativ

• För att begära en anpassad träning för denna kurs baserat på din prestandamiljö eller modelltyp, vänligen kontakta oss för att arrangera.

Denna instruktörsledda, liveträning i Stockholm (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 .

Kinesiska GPU-arkitekturer såsom Huawei Ascend, Biren och Cambricon MLUs erbjuder CUDA-alternativ som är anpassade för lokala AI- och HPC-marknader.

Denna ledarledda, levande utbildning (online eller på plats) riktar sig till avancerade GPU-programmerare och infrastrukturspecialister som vill migrera och optimera befintliga CUDA-applikationer för distribution på kinesiska hårdvaruplattformar.

Vid utbildningens slut kommer deltagarna kunna:

• Utvärdera kompatibiliteten hos befintliga CUDA-arbetsbelastningar med kinesiska chip-alternativ.
• Porta CUDA-kodbaser till Huawei CANN-, Biren SDK- och Cambricon BANGPy-miljöer.
• Jämföra prestanda och identifiera optimeringspunkter över plattformarna.
• Hantera praktiska utmaningar i stöd för och distribution över arkitekturer.

Kursens form

• Interaktiv föreläsning och diskussion.
• Praktiska övningar för kodöversättning och prestandajämförelse.
• Ledda övningar inriktade på strategier för anpassning till flera GPU.

Alternativ för kursanpassning

• För att be om en anpassad utbildning för denna kurs baserat på din plattform eller CUDA-projekt, kontakta oss för att ordna.

Denna instruktörsledda, liveutbildning i Stockholm (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.

Den här instruktörsledda, liveutbildningen i Stockholm (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.

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.

Denna instruktörsledda, liveutbildning i Stockholm 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 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.