GPU Kurs i Stockholm

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

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

I slutet av denna träning kommer deltagarna att kunna:

• Konfigurera och installera CANN utvecklingsmiljön.
• Utveckla AI-applikationer med hjälp av MindSpore och CloudMatrix arbetsflöden.
• Optimera prestanda på Ascend NPUer med anpassade operatörer och tiling.
• Distribuera modeller till kanten eller molnmiljöer.

Format för kursen

• Interaktiv föreläsning och diskussion.
• Praktisk användning av Huawei Ascend och CANN verktygslåda i exempelapplikationer.
• Guidad övningar som fokuserar på modellbyggnad, träning och distribution.

Alternativ för anpassning av kursen

• För att begära en anpassad träning för denna kurs baserat på din infrastruktur eller datauppsättningar, kontakta oss för att boka.

Huaweis AI-stack — från det lågnivå CANN SDK till den högnivå MindSpore-ramverket — erbjuder en sammanhållen AI-utvecklings- och distribueringsmiljö som är optimerad för Ascend-hårdvara.

Denna instruktörsledda liveutbildning (online eller på plats) vänder sig till tekniska yrkesverksamma på nybörjar- till mellanivå som vill förstå hur CANN- och MindSpore-komponenterna samarbetar för att stödja AI-livscykelhantering och infrastrukturbeslut.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå den lagrade arkitekturen i Huaweis AI-bearbetningsstack.
• Identifiera hur CANN stöder modelloptimering och distribuering på hårdvarunivå.
• Utvärdera MindSpore-ramverket och verktygslänken i relation till industriella alternativ.
• Placera Huaweis AI-stack inom företags- eller moln/lokala miljöer.

Kursformat

• Interaktiv föreläsning och diskussion.
• Live systemdemonstrationer och fallbaserade genomgångar.
• Valfria guidade labbar för modellflöde från MindSpore till CANN.

Kursanpassningsalternativ

• För att begära en anpassad utbildning för denna kurs, kontakta oss för att ordna.

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.

CANN SDK (Compute Architecture for Neural Networks) erbjuder kraftfulla verktyg för distribution och optimering av AI-applikationer i realtid för datorseende och NLP, särskilt på Huawei Ascend-hårdvaran.

Denna instruktörsledda liveutbildning (online eller på plats) riktar sig till AI-praktiker på mellan nivå som vill bygga, distribuera och optimera datorseende- och språkmodeller med hjälp av CANN SDK för produktionsanvändningsfall.

Vid kursens slut kommer deltagarna att kunna:

• Distribuera och optimera datorseende- och NLP-modeller med CANN och AscendCL.
• Använda CANN verktyg för att konvertera modeller och integrera dem i levande pipeline.
• Optimera inferensprestanda för uppgifter som detektion, klassificering och känsloanalys.
• Bygga datorseende/NLP-pipelines i realtid för distributionsscenarier i kant eller moln.

Kursformat

• Interaktiv föreläsning och demonstration.
• Praktiska laboratorier med modelldistribution och prestandaprofilering.
• Live-pipelinekonstruktion med verkliga datorseende- och NLP-användningsfall.

Anpassningsalternativ för kursen

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

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.

CANN TIK (Tensor Instruction Kernel) och Apache TVM möjliggör avancerad optimerings- och anpassningsprocess för AI-modelloperatörer för Huawei Ascend hårdvara.

Denna instruktörsledda liveutbildning (online eller på plats) riktar sig till avancerade systemutvecklare som vill bygga, distribuera och justera anpassade operatörer för AI-modeller med hjälp av CANN’s TIK-programmeringsmodell och TVM-kompilatorintegrering.

Efter avslutad utbildning kommer deltagarna att kunna:

• Skriva och testa anpassade AI-operatörer med hjälp av TIK DSL för Ascend-processorer.
• Integrera anpassade operatörer i CANN körningstid och körningsgraf.
• Använda TVM för operatörsplanering, automatisk inställning och mätning.
• Felsöka och optimeras instruktionsnivåprestanda för anpassade beräkningsmönster.

Utbildningsformat

• Interaktiv föreläsning och demonstration.
• Praktiska kodövningar för operatörer med TIK och TVM-pipelines.
• Testning och justering på Ascend-hårdvara eller simulatorer.

Valmöjligheter för kursanpassning

• För att begära en anpassad utbildning för denna kurs, kontakta oss för att arrangera.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till utvecklare på nybörjarnivå till mellanavancerat nivå som vill använda olika ramverk för GPU programmering och jämföra deras funktioner, prestanda och kompatibilitet.

Vid kursens slut kommer deltagarna att kunna:

• Installera en utvecklingsmiljö som inkluderar OpenCL SDK, CUDA Toolkit, ROCm Platform, en enhet som stöder OpenCL, CUDA eller ROCm, och Visual Studio Code.
• Skapa ett grundläggande GPU program som utför vektorreduktion med OpenCL, CUDA och ROCm, och jämföra syntax, struktur och exekvering för varje ramverk.
• Använda de respektive API:erna för att fråga efter enhetsinformation, allokera och deallokera enhetsminne, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använda de respektive språken för att skriva kärnor som körs på enheten och manipulerar data.
• Använda de respektive inbyggda funktionerna, variablerna och biblioteken för att utföra vanliga uppgifter och operationer.
• Använda de respektive minnesutrymmena, såsom global, lokal, konstant och privat, för att optimera datatransfer och minnesåtkomst.
• Använda de respektive exekveringsmodellerna för att kontrollera trådar, block och rutnät som definierar parallellismen.
• Felsöka och testa GPU program med verktyg som CodeXL, CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight.
• Optimera GPU program med tekniker som sammanslagning, caching, förhämtning och profilering.

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

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till AI-professionella på nybörjar- till mellanavancerad nivå som vill distribuera och övervaka AI-modeller med hjälp av CloudMatrix-plattformen med CANN och MindSpore-integrering.

I slutet av denna utbildning kommer deltagarna att kunna:

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

Kursformat

• Interaktiv föreläsning och diskussion.
• Praktisk användning av CloudMatrix med verkliga distributionsscenarier.
• Guidada övningar med fokus på konvertering, optimering och skalbarhet.

Alternativ för kursanpassning

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

Huaweis Ascend CANN-verktygspaket möjliggör kraftfulla AI-inferenser på kant-enheter såsom Ascend 310. CANN erbjuder viktiga verktyg för kompilering, optimering och distribution av modeller där beräkning och minne är begränsade.

Denna instruktörsledda, levande utbildning (online eller på plats) vänder sig till AI-utvecklare och integratörer på mellannivå som vill distribuera och optimera modeller på Ascend kant-enheter med hjälp av CANN-verktygskedjan.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förbereda och konvertera AI-modeller för Ascend 310 med hjälp av CANN-verktyg.
• Bygga lättviktsinferenspipeliner med hjälp av MindSpore Lite och AscendCL.
• Optimera modellprestanda för begränsade beräknings- och minnesmiljöer.
• Distribuera och övervaka AI-applikationer i verkliga användningsområden på kanten.

Utbildningsformat

• Interaktiv föreläsning och demonstration.
• Praktiska laborationsarbeten med kant-specifika modeller och scenarier.
• Levande distributionsexempel på virtuell eller fysisk kant-hårdvara.

Alternativ för kursanpassning

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

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.

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.

CANN (Compute Architecture for Neural Networks) är Huaweis AI-databehandlingsverktygsläda som används för att kompilera, optimerar och distribuera AI-modeller på Ascend AI-processorer.

Denna lärare-ledda, liveutbildning (online eller på plats) riktar sig till nybörjare inom AI-utveckling som vill förstå hur CANN passar in i modellens livscykel från träning till distribution och hur den fungerar med ramverk som MindSpore, TensorFlow och PyTorch.

Vid utbildningens slut kommer deltagarna att kunna:

• Förstå syftet och arkitekturen för CANN verktygsläda.
• Inställ en utvecklingsmiljö med CANN och MindSpore.
• Konvertera och distribuera en enkel AI-modell till Ascend-hårdvara.
• Få grundläggande kunskap för framtida CANN optimering eller integrationsprojekt.

Utbildningens form

• Interaktiv föreläsning och diskussion.
• Händer-på-labb med enkel modelldistribution.
• Steg-för-steg genomgång av CANN verktygskedja och integrationspunkter.

Anpassningsalternativ för utbildningen

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

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.

CANN SDK (Compute Architecture for Neural Networks) är Huaweis grundläggande AI-berekningsplattform som låter utvecklare finjustera och optimera prestandan för utrullade neurala nätverk på Ascend AI-processorer.

Denna instruktörsledda, levande utbildning (online eller på plats) riktar sig till avancerade AI-utvecklare och systemingenjörer som vill optimera inferensprestanda med hjälp av CANN’s avancerade verktygsuppsättning, inklusive Graph Engine, TIK och utveckling av anpassade operatörer.

Vid kursens slut kommer deltagarna att kunna:

• Förstå CANN's körningsarkitektur och prestandacykel.
• Använda profilverktyg och Graph Engine för prestandaanalys och optimering.
• Skapa och optimera anpassade operatörer med TIK och TVM.
• Lösa minnesflaskhalsar och förbättra modellgenomströmning.

Kursformat

• Interaktiv föreläsning och diskussion.
• Praktiska laborationer med realtidsprofilering och operatörjustering.
• Optimeringsexerciser med exempeluppsättningar för gränssnittsutveckling.

Alternativ för kursanpassning

• För att begära en anpassad utbildning för denna kurs, kontakta oss för att ordna.

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, 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 .

CANN (Compute Architecture for Neural Networks) är Huaweis AI-beräkningsstack för att distribuera och optimera AI-modeller på Ascend AI-processorer.

Denna instruktörsledda, live-utbildning (online eller på plats) riktar sig till AI-utvecklare och ingenjörer på mellan-nivå som vill distribuera tränade AI-modeller effektivt till Huawei Ascend-hårdvara med hjälp av CANN-verktygslådan och verktyg som MindSpore, TensorFlow, eller PyTorch.

Vid utbildningens slut kommer deltagarna att kunna:

• Förstå CANN-arkitekturen och dess roll i AI-distributionspipelinen.
• Konvertera och anpassa modeller från populära ramverk till Ascend-kompatibla format.
• Använda verktyg som ATC, OM modellkonvertering och MindSpore för kant- och molninferens.
• Diagnostisera distributionsproblem och optimera prestanda på Ascend-hårdvara.

Utbildningens format

• Interaktiv föreläsning och demonstration.
• Hands-on laboratoriearbete med CANN-verktyg och Ascend-simulatorer eller enheter.
• Praktiska distributionsscenarier baserade på verkliga AI-modeller.

Alternativ för anpassning av utbildningen

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att boka.

Biren AI-acceleratorer är höghastighetsenheter som är utformade för AI- och HPC-lastar med stöd för storskalig träning och inferens.

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

Vid slutet av denna träning kommer deltagarna att kunna:

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

Kursens format

• Interaktiv föreläsning och diskussion.
• Praktisk användning av Birens SDK i exempellastar för GPU.
• Guidade övningar som fokuserar på portning och prestandajustering.

Alternativ för anpassning av kursen

• För att begära en anpassad träning för denna kurs baserat på dina applikationsstack eller integrationsbehov, kontakta oss för att ordna.

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 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.

Denna instruktörsledda, levande träning i Stockholm (online eller på plats) riktar sig till utvecklare på nybörjar- till mellanstadienivå som vill använda OpenCL för att programmera heterogena enheter och utnyttja deras parallellism.

Vid kursens slut kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som inkluderar OpenCL SDK, en enhet som stöder OpenCL, och Visual Studio Code.
• Skapa ett grundläggande OpenCL program som utför vektoraddition på enheten och hämtar resultaten från enhetens minne.
• Använda OpenCL API för att fråga efter enhetsinformation, skapa kontexter, kommandoköer, buffertar, kärnor och händelser.
• Använda OpenCL C-språk för att skriva kärnor som körs på enheten och manipulerar data.
• Använda OpenCL inbyggda funktioner, tillägg och bibliotek för att utföra vanliga uppgifter och operationer.
• Använda OpenCL värd- och enhetsminnesmodeller för att optimera dataöverföringar och minnesåtkomst.
• Använda OpenCL exekveringsmodell för att styra arbetsobjekt, arbetsgrupper och ND-områden.
• Felsöka och testa OpenCL program med verktyg som CodeXL, Intel VTune och NVIDIA Nsight.
• Optimera OpenCL program med tekniker som vektorisering, loop-avlindning, lokal 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 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.