Graphic techniques (Adobe Photoshop, Adobe Illustrator) Treningskurs
Hva vil du lære i løpet av opplæringen:
- prinsipper for å lage datagrafikk
- måter å justere fargen på bilder
- prinsipper for retusjering og å lage fotomontasjer
- måter å utarbeide logoer, diagrammer, tabeller og illustrasjoner på
- utarbeidelse av visittkort, enkle annonser, reklametavler og løpesedler
- grunnleggende for å forberede grafikk for utskrift og Internett-applikasjoner
Eksempler på leksjonsemner:
- plakaten min
- portrett
- rom
- min katalog
- ansiktet mitt
- reklametavle
- logoen min
Kursplan
Photoshop
- Grunnleggende om bildekonstruksjon og fargemodeller
- Skanning
- Justering av fargen på bildene
- Retusjering og modifikasjoner
- Fotomontasjer
- Opptaksformater, grafikkopptak og optimalisering
Illustratør
- Lage illustrasjoner, logoer
- Lage og trykke visittkort
- Utarbeide en enkel reklamebrosjyre
- Diagrammer og tabeller - attraktiv presentasjon av data
Krav
Gode datakunnskaper.
Open Training Courses require 5+ participants.
Graphic techniques (Adobe Photoshop, Adobe Illustrator) Treningskurs - Booking
Graphic techniques (Adobe Photoshop, Adobe Illustrator) Treningskurs - Enquiry
Graphic techniques (Adobe Photoshop, Adobe Illustrator) - Consultancy Enquiry
Testimonials (2)
Veldig interaktiv med ulike eksempler, med god progresjon i kompleksitet mellom start og slutt på treningen.
Jenny - Andheo
Kurs - GPU Programming with CUDA and Python
Machine Translated
Trener energi og humor.
Tadeusz Kaluba - Nokia Solutions and Networks Sp. z o.o.
Kurs - NVIDIA GPU Programming - Extended
Machine Translated
Upcoming Courses
Relaterte kurs
GPU Programming with CUDA and Python
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke CUDA til å bygge Python applikasjoner som kjører parallelt på NVIDIA GPUer.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Bruk Numba-kompilatoren til å akselerere Python applikasjoner som kjører på NVIDIA GPUer.
- Lag, kompiler og start egendefinerte CUDA-kjerner.
- Administrer GPU-minne.
- Konverter en CPU-basert applikasjon til en GPU-akselerert applikasjon.
Administration of CUDA
35 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot systemadministratorer og IT-fagfolk på nybegynnernivå som ønsker å installere, konfigurere, administrere og feilsøke CUDA-miljøer.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå arkitekturen, komponentene og egenskapene til CUDA.
- Installer og konfigurer CUDA-miljøer.
- Administrer og optimaliser CUDA-ressurser.
- Feilsøk og feilsøk vanlige CUDA-problemer.
Learning Maya
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot webdesignere som ønsker å bruke Maya til å lage 3D-animasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Lag realistiske modeller og teksturer i Maya.
- Animer og gjengi prosjekter for avspilling av høy kvalitet.
- Simuler naturlige effekter som vann og røyk.
WebGL: Create an Animated 3D Application
21 timerWebGL (Web Graphics Library) er et JavaScript API for å gjengi 3D-grafikk i en nettleser uten bruk av plug-ins.
I denne instruktørledede, live-opplæringen vil deltakerne lære å generere realistiske databilder ved hjelp av 3D-grafikk mens de går gjennom opprettelsen av en animert 3D-applikasjon som kjører i en nettleser.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå og bruk WebGLs ulike funksjonalitet, inkludert netting, transformasjoner, kameraer, materialer, belysning og animasjon Animer objekter med WebGL Lag 3D-objekter med WebGL
Publikum
- Utviklere
Format på kurset
- Del forelesning, del diskusjon, øvelser og tung praktisk praksis
NVIDIA GPU Programming
14 timerDette kurset dekker hvordan du programmerer GPU er for parallell databehandling. Noen av applikasjonene inkluderer dyp lærings-, analyser- og ingeniørapplikasjoner.
NVIDIA GPU Programming - Extended
21 timerDette instruktørledede, liveopplæringskurset i Norge dekker hvordan du programmerer GPUer for parallell databehandling, hvordan du bruker ulike plattformer, hvordan du jobber med CUDA-plattformen og dens funksjoner, og hvordan du utfører ulike optimaliseringsteknikker ved hjelp av CUDA . Noen av applikasjonene inkluderer dyp læring, analyse, bildebehandling og ingeniørapplikasjoner.
Hardware-Accelerated Video Analytics
14 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bygge maskinvareakselererte objektdeteksjons- og sporingsmodeller for å analysere streaming videodata.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer nødvendig utviklingsmiljø, programvare og biblioteker for å begynne utviklingen.
- Bygg, tren og distribuer dyplæringsmodeller for å analysere live videofeeder.
- Identifiser, spor, segmenter og forutsi forskjellige objekter innenfor videorammer.
- Optimaliser objektdeteksjons- og sporingsmodeller.
- Implementer en intelligent videoanalyse-applikasjon (IVA).
GPU Programming with OpenCL
28 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til middels nivå som ønsker å bruke OpenCL til å programmere heterogene enheter og utnytte deres parallellitet.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp et utviklingsmiljø som inkluderer OpenCL SDK, en enhet som støtter OpenCL og Visual Studio kode.
- Lag et grunnleggende OpenCL-program som utfører vektoraddisjon på enheten og henter resultatene fra enhetsminnet.
- Bruk OpenCL API til å spørre etter enhetsinformasjon, lage kontekster, kommandokøer, buffere, kjerner og hendelser.
- Bruk OpenCL C-språk for å skrive kjerner som kjøres på enheten og manipulere data.
- Bruk OpenCL innebygde funksjoner, utvidelser og biblioteker for å utføre vanlige oppgaver og operasjoner.
- Bruk OpenCL verts- og enhetsminnemodeller for å optimalisere dataoverføringer og minnetilganger.
- Bruk OpenCL utførelsesmodell for å kontrollere arbeidselementene, arbeidsgruppene og ND-områdene.
- Feilsøk og test OpenCL programmer ved hjelp av verktøy som CodeXL, Intel VTune og NVIDIA Nsight.
- Optimaliser OpenCL-programmer ved hjelp av teknikker som vektorisering, sløyfeutrulling, lokalt minne og profilering.
GPU Programming with CUDA
28 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å bruke CUDA til å programmere NVIDIA GPU-er og utnytte parallelliteten deres.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp et utviklingsmiljø som inkluderer CUDA Toolkit, en NVIDIA GPU og Visual Studio kode.
- Lag et grunnleggende CUDA-program som utfører vektoraddisjon på GPU og henter resultatene fra GPU-minnet.
- Bruk CUDA API til å spørre etter enhetsinformasjon, allokere og deallokere enhetsminne, kopiere data mellom vert og enhet, starte kjerner og synkronisere tråder.
- Bruk CUDA C/C++-språket til å skrive kjerner som kjøres på GPU og manipulere data.
- Bruk CUDA innebygde funksjoner, variabler og biblioteker for å utføre vanlige oppgaver og operasjoner.
- Bruk CUDA-minneplasser, for eksempel globale, delte, konstante og lokale, for å optimalisere dataoverføringer og minnetilganger.
- Bruk CUDA-utførelsesmodellen for å kontrollere trådene, blokkene og rutenettene som definerer parallelliteten.
- Feilsøk og test CUDA-programmer ved hjelp av verktøy som CUDA-GDB, CUDA-MEMCHECK og NVIDIA Nsight.
- Optimaliser CUDA-programmer ved å bruke teknikker som koalescing, caching, forhåndshenting og profilering.
GPU Programming - OpenCL vs CUDA vs ROCm
28 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til middels nivå som ønsker å bruke forskjellige rammeverk for GPU programmering og sammenligne deres funksjoner, ytelse og kompatibilitet.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp et utviklingsmiljø som inkluderer OpenCL SDK, CUDA Toolkit, ROCm Platform, en enhet som støtter OpenCL, CUDA eller ROCm og Visual Studio kode.
- Lag et grunnleggende GPU-program som utfører vektoraddisjon ved å bruke OpenCL, CUDA og ROCm, og sammenlign syntaksen, strukturen og utførelsen av hvert rammeverk.
- Bruk de respektive API-ene til å spørre etter enhetsinformasjon, tildele og deallokere enhetsminne, kopiere data mellom vert og enhet, starte kjerner og synkronisere tråder.
- Bruk de respektive språkene til å skrive kjerner som kjøres på enheten og manipulere data.
- Bruk de respektive innebygde funksjonene, variablene og bibliotekene til å utføre vanlige oppgaver og operasjoner.
- Bruk de respektive minneplassene, for eksempel global, lokal, konstant og privat, for å optimalisere dataoverføringer og minnetilgang.
- Bruk de respektive utførelsesmodellene til å kontrollere trådene, blokkene og rutenettene som definerer parallelliteten.
- Feilsøk og test GPU programmer ved hjelp av verktøy som CodeXL, CUDA-GDB, CUDA-MEMCHECK og NVIDIA Nsight.
- Optimaliser GPU programmer ved hjelp av teknikker som koalescing, caching, forhåndshenting og profilering.
AMD GPU Programming
28 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å bruke ROCm og HIP til å programmere AMD GPU og utnytte parallelliteten deres.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp et utviklingsmiljø som inkluderer ROCm Platform, en AMD GPU og Visual Studio kode.
- Lag et grunnleggende ROCm-program som utfører vektoraddisjon på GPU og henter resultatene fra GPU-minnet.
- Bruk ROCm API til å spørre etter enhetsinformasjon, allokere og deallokere enhetsminne, kopiere data mellom vert og enhet, starte kjerner og synkronisere tråder.
- Bruk HIP-språket til å skrive kjerner som kjøres på GPU og manipulere data.
- Bruk HIP innebygde funksjoner, variabler og biblioteker for å utføre vanlige oppgaver og operasjoner.
- Bruk ROCm- og HIP-minneplasser, for eksempel globale, delte, konstante og lokale, for å optimalisere dataoverføringer og minnetilganger.
- Bruk ROCm- og HIP-utførelsesmodeller for å kontrollere trådene, blokkene og rutenettene som definerer parallelliteten.
- Feilsøk og test ROCm- og HIP-programmer ved hjelp av verktøy som ROCm Debugger og ROCm Profiler.
- Optimaliser ROCm- og HIP-programmer ved å bruke teknikker som koalescing, caching, forhåndshenting og profilering.
ROCm for Windows
21 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å installere og bruke ROCm på Windows for å programmere AMD GPUer og utnytte parallelliteten deres.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp et utviklingsmiljø som inkluderer ROCm Platform, en AMD GPU og Visual Studio kode på Windows.
- Lag et grunnleggende ROCm-program som utfører vektoraddisjon på GPU og henter resultatene fra GPU-minnet.
- Bruk ROCm API til å spørre etter enhetsinformasjon, allokere og deallokere enhetsminne, kopiere data mellom vert og enhet, starte kjerner og synkronisere tråder.
- Bruk HIP-språket til å skrive kjerner som kjøres på GPU og manipulere data.
- Bruk HIP innebygde funksjoner, variabler og biblioteker for å utføre vanlige oppgaver og operasjoner.
- Bruk ROCm- og HIP-minneplasser, for eksempel globale, delte, konstante og lokale, for å optimalisere dataoverføringer og minnetilganger.
- Bruk ROCm- og HIP-utførelsesmodeller for å kontrollere trådene, blokkene og rutenettene som definerer parallelliteten.
- Feilsøk og test ROCm- og HIP-programmer ved hjelp av verktøy som ROCm Debugger og ROCm Profiler.
- Optimaliser ROCm- og HIP-programmer ved å bruke teknikker som koalescing, caching, forhåndshenting og profilering.
Introduction to GPU Programming
21 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å lære det grunnleggende om GPU programmering og de viktigste rammeverkene og verktøyene for å utvikle GPU-applikasjoner .
- Ved slutten av denne opplæringen vil deltakerne kunne:
Forstå forskjellen mellom CPU og GPU databehandling og fordelene og utfordringene med GPU programmering. - Velg riktig rammeverk og verktøy for deres GPU-applikasjon.
- Lag et grunnleggende GPU-program som utfører vektoraddisjon ved å bruke ett eller flere av rammeverkene og verktøyene.
- Bruk de respektive APIene, språkene og bibliotekene til å spørre etter enhetsinformasjon, tildele og deallokere enhetsminne, kopiere data mellom vert og enhet, starte kjerner og synkronisere tråder.
- Bruk de respektive minneplassene, for eksempel global, lokal, konstant og privat, for å optimalisere dataoverføringer og minnetilgang.
- Bruk de respektive utførelsesmodellene, for eksempel arbeidselementer, arbeidsgrupper, tråder, blokker og rutenett, for å kontrollere parallelliteten.
- Feilsøk og test GPU programmer ved hjelp av verktøy som CodeXL, CUDA-GDB, CUDA-MEMCHECK og NVIDIA Nsight.
- Optimaliser GPU programmer ved hjelp av teknikker som koalescing, caching, forhåndshenting og profilering.
GPU Programming with OpenACC
28 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å bruke OpenACC til å programmere heterogene enheter og utnytte parallelliteten deres.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp et utviklingsmiljø som inkluderer OpenACC SDK, en enhet som støtter OpenACC, og Visual Studio Code.
- Lag et grunnleggende OpenACC-program som utfører vektortillegg på enheten og henter resultatene fra enhetens minne.
- Bruk OpenACC-direktiver og klausuler for å kommentere koden og spesifisere parallelle områder, databevegelse og optimaliseringsalternativer.
- Bruk OpenACC API til å spørre etter enhetsinformasjon, angi enhetsnummer, håndtere feil og synkronisere hendelser.
- Bruk OpenACC-biblioteker og interoperabilitetsfunksjoner for å integrere OpenACC med andre programmeringsmodeller, som CUDA, OpenMP og MPI.
- Bruk OpenACC-verktøy til å profilere og feilsøke OpenACC-programmer og identifisere ytelsesflaskehalser og muligheter.
- Optimaliser OpenACC-programmer ved hjelp av teknikker som datalokalitet, loop fusion, kernel fusion og auto-tuning.