GPU Kurs i Uppsala

Denna instruktörsledda, liveutbildning i Uppsala (online eller på orten) är riktad till utvecklare med nybörjarnivå till mellannivå som vill använda OpenACC för att programmera heterogena enheter och utnyttja deras parallellism.

Till slut av denna utbildning kommer deltagarna kunna:

• Ställa in ett OpenACC-utvecklingsmiljö.
• Skriva och köra en grundläggande OpenACC-program.
• Annotera kod med OpenACC-direktiv och klausuler.
• Använda OpenACC-API och bibliotek.
• Profilerar, felsöka och optimera OpenACC-program.

Denna instruktörsledda, liveutbildning i Uppsala (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 handledarledd, live-träning (online eller lokalt) riktas till utvecklare på nybörjarnivå till mellannivå som vill använda olika ramverk för GPU-programmering och jämföra deras egenskaper, prestanda och kompatibilitet.

Efter denna träning kommer deltagarna att kunna:

• Sätta upp ett 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 vektoraddition med OpenCL, CUDA och ROCm, och jämföra syntaksen, strukturen och körningen för varje ramverk.
• Använda de respektive API:erna för att fråga enhetsinformation, allokera och deallokera minne på enheten, kopiera data mellan värd och enhet, starta kärnor och synkronisera trådar.
• Använda de respektive språken för att skriva kärnor som körs på enheten och manipulera data.
• Använda de respektive inbyggda funktionerna, variablerna och biblioteken för att utföra vanliga uppgifter och operationer.
• Använda de respektive minutrymmen, som globalt, lokalt, konstant och privat, för att optimera datatransferer och minnesåtkomster.
• Använda de respektive körningsmodellerna för att styra trådar, block och rutnät som definierar parallellismen.
• Felsöka och testa GPU-program med verktyg som CodeXL, CUDA-GDB, CUDA-MEMCHECK och NVIDIA Nsight.
• Optimerar GPU-program med tekniker som sammanfogning, cachning, förhandsladdning och profilering.

Denna instruktörsledda, liveutbildning i Uppsala (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 Uppsala (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.

Denna instruktörsledda, liveträning i Uppsala (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 .

Den här instruktörsledda, liveutbildningen i Uppsala (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 Uppsala (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 handledare-ledda liveutbildning i Uppsala (via nätet eller på plats) vänder sig till C++-utvecklare som vill använda CUDA för att accelerera applikationer, skriva högpresterande GPU-kärnor och utnyttja parallella algoritmbibliotek inom vetenskaplig beräkning, databehandling och arbetsbelastningar för maskininlärning.

Denna instruktörsledda, levande utbildning i Uppsala (online eller på plats) vänder sig till C/C++-utvecklare som vill använda CUDA för att accelerera beräkningskrävande applikationer, såsom dataprocessering, vetenskapliga simuleringar, maskininlärningsarbetsbelastningar och bildbehandlingspipelines.

Denna handledna, levande utbildning i Uppsala (online eller på plats) riktar sig till mjukvaruutvecklare, dataanalytiker och tekniska yrkesverksamma som vill använda TensorFlow 2.x och Keras för att bygga, träna och implementera djupinlärningsmodeller för datorseende, natural language processing och multimodala applikationer.

Denna instruktörsledda, liveutbildning i Uppsala 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.