Uppsala

NobleProg Uppsala, Stationsgatan 4, Uppsala, sweden, 753 40
Kurslokalet ligger nære sentrum med god tilgang til kollektiv transport. Du kan oppdage shoppingskatter på Godsmagasinet...

Subcategories (1)

Image for CUDA (Compute Unified Device Architecture) category
CUDA (Compute Unified Device Architecture)

Explore Our Courses

GPU Programming with OpenACC

28 timmar
Denna instruktörsledda, live-utbildning i Uppsala (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.
LÄS MER...

Introduction to GPU Programming

21 timmar
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.
LÄS MER...

GPU Programming - OpenCL vs CUDA vs ROCm

28 timmar
Denna instruktörsledda, liveutbildning i Uppsala (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.
LÄS MER...

ROCm for Windows

21 timmar
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.
LÄS MER...

AMD GPU Programming

28 timmar
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.
LÄS MER...

GPU Programming with CUDA

28 timmar
Denna instruktörsledda, liveutbildning i Uppsala (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.
LÄS MER...

GPU Programming with OpenCL

28 timmar
Denna instruktörsledda, liveutbildning i Uppsala (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.
LÄS MER...

Administration of CUDA

35 timmar
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.
LÄS MER...

NVIDIA GPU Programming

14 timmar
This course covers how to program GPUs for parallel computing. Some of the applications include deep learning, analytics, and engineering applications.
LÄS MER...

NVIDIA GPU Programming - Extended

21 timmar
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.
LÄS MER...

Hardware-Accelerated Video Analytics

14 timmar
Denna instruktörsledda, liveutbildning i Uppsala (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).
LÄS MER...

GPU Programming with CUDA and Python

14 timmar
Denna instruktörsledda, liveutbildning i Uppsala (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.
LÄS MER...

Last Updated:

Vittnesmål (2)

Tränarnas energi och humor.

Tadeusz Kaluba - Nokia Solutions and Networks Sp. z o.o.
Kurs - NVIDIA GPU Programming - Extended

Machine Translated

Väldigt interaktiv med olika exempel, med en bra progression i komplexitet mellan start och slut av träningen.

Jenny - Andheo
Kurs - GPU Programming with CUDA and Python

Machine Translated

Upcoming Courses

Other regions in Sverige

Andra länder

Dessa kurser finns också i andra länder

Konsult

GPU Konsult
Graphics Processing Unit (GPU) kurs i Uppsala, Helg Graphics Processing Unit kurs i Uppsala, kväll GPU utbildning i Uppsala, GPU (Graphics Processing Unit) instruktörledd kurs Uppsala, GPU (Graphics Processing Unit) instruktör i Uppsala, Helg GPU (Graphics Processing Unit) utbildning i Uppsala, Graphics Processing Unit (GPU) en till en utbildning i Uppsala, kväll GPU (Graphics Processing Unit) kurs i Uppsala, GPU klasser i Uppsala, GPU privata kurser i Uppsala, GPU (Graphics Processing Unit) on-site i Uppsala, GPU utbildning i Uppsala, Graphics Processing Unit bootcamp i Uppsala, GPU instruktörledd kurs i Uppsala, GPU coaching i Uppsala
1