GPU Kurs i Norge

Denne 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.

Denne 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.

Denne 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.

CloudMatrix er Huaweis enhetlige AI-utviklings- og implementeringsplattform som er designet for å støtte skalerbare, produksjonsnivå-inferens-pipeliner.

Denne instruktørledede, live-trainingen (online eller på sted) er rettet mot AI-profesjonelle på begynnernivå til mellomnivå som ønsker å implementere og overvåke AI-modeller ved hjelp av CloudMatrix-plattformen med CANN og MindSpore-integrasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke CloudMatrix for modellpakking, implementering og levering.
• Konvertere og optimalisere modeller for Ascend-chipset.
• Sette opp pipeliner for realtid- og batch-inferensoppgaver.
• Overvåke implementeringer og justere ytelsen i produksjonssetninger.

Kursets format

• Interaktiv forelesning og diskusjon.
• Hånds-on bruk av CloudMatrix med virkelige implementeringsscenarier.
• Veiledede øvelser som fokuserer på konvertering, optimalisering og skalerbarhet.

Tilpassingsalternativer for kurset

• For å be om en tilpasset opplæring for dette kurset basert på din AI-infrastruktur eller sky-miljø, vennligst kontakt oss for å avtale.

Denne 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.

Denne 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.

Ascend, Biren, and Cambricon are leading AI hardware platforms in China, each offering unique acceleration and profiling tools for production-scale AI workloads.

This instructor-led, live training (online or onsite) is aimed at advanced-level AI infrastructure and performance engineers who wish to optimize model inference and training workflows across multiple Chinese AI chip platforms.

By the end of this training, participants will be able to:

• Benchmark models on Ascend, Biren, and Cambricon platforms.
• Identify system bottlenecks and memory/compute inefficiencies.
• Apply graph-level, kernel-level, and operator-level optimizations.
• Tune deployment pipelines to improve throughput and latency.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of profiling and optimization tools on each platform.
• Guided exercises focused on practical tuning scenarios.

Course Customization Options

• To request a customized training for this course based on your performance environment or model type, please contact us to arrange.

Chinese GPU architectures such as Huawei Ascend, Biren, and Cambricon MLUs offer CUDA alternatives tailored for local AI and HPC markets.

This instructor-led, live training (online or onsite) is aimed at advanced-level GPU programmers and infrastructure specialists who wish to migrate and optimize existing CUDA applications for deployment on Chinese hardware platforms.

By the end of this training, participants will be able to:

• Evaluate compatibility of existing CUDA workloads with Chinese chip alternatives.
• Port CUDA codebases to Huawei CANN, Biren SDK, and Cambricon BANGPy environments.
• Compare performance and identify optimization points across platforms.
• Address practical challenges in cross-architecture support and deployment.

Format of the Course

• Interactive lecture and discussion.
• Hands-on code translation and performance comparison labs.
• Guided exercises focused on multi-GPU adaptation strategies.

Course Customization Options

• To request a customized training for this course based on your platform or CUDA project, please contact us to arrange.

Denne 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 for 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 minnetilgang.
• Bruk CUDA-utførelsesmodellen for å kontrollere trådene, blokkene og rutenettene som definerer parallelliteten.
• Feilsøk og test CUDA-programmer ved å bruke verktøy som CUDA-GDB, CUDA-MEMCHECK og NVIDIA Nsight.
• Optimaliser CUDA-programmer ved hjelp av teknikker som koalescing, caching, forhåndshenting og profilering.

97% av kundene er fornøyde.

Huawei Ascend er en familie av AI-prosessorer som er designet for høyytelsesfull inferens og trening.

Denne instruktørledede, live-trainingen (online eller på sted) er rettet mot mellomnivå AI-ingeniører og datavitere som ønsker å utvikle og optimalisere neuronnettverksmodeller ved hjelp av Huaweis Ascend-plattform og CANN-verktøykassen.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sette opp og konfigurere CANN-utviklingsmiljøet.
• Utvikle AI-applikasjoner ved hjelp av MindSpore og CloudMatrix-arbeidsflyt.
• Optimalisere ytelse på Ascend NPU-er ved hjelp av tilpassede operatører og tiling.
• Distribuere modeller til kant- eller sky-miljøer.

Formatet på kurset

• Interaktiv forelesning og diskusjon.
• Hendene-i-bruk av Huawei Ascend og CANN-verktøykassen i eksempelapplikasjoner.
• Veiledende øvelser fokusert på modellbygging, trening og distribusjon.

Kursets tilpassingsmuligheter

• For å be om en tilpasset opplæring for dette kurset basert på din infrastruktur eller datasett, kontakt oss for å ordne.

Biren AI Accelerators are high-performance GPUs designed for AI and HPC workloads with support for large-scale training and inference.

This instructor-led, live training (online or onsite) is aimed at intermediate-level to advanced-level developers who wish to program and optimize applications using Biren’s proprietary GPU stack, with practical comparisons to CUDA-based environments.

By the end of this training, participants will be able to:

• Understand Biren GPU architecture and memory hierarchy.
• Set up the development environment and use Biren’s programming model.
• Translate and optimize CUDA-style code for Biren platforms.
• Apply performance tuning and debugging techniques.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of Biren SDK in sample GPU workloads.
• Guided exercises focused on porting and performance tuning.

Course Customization Options

• To request a customized training for this course based on your application stack or integration needs, please contact us to arrange.

Cambricon MLUs (Machine Learning Units) are specialized AI chips optimized for inference and training in edge and datacenter scenarios.

This instructor-led, live training (online or onsite) is aimed at intermediate-level developers who wish to build and deploy AI models using the BANGPy framework and Neuware SDK on Cambricon MLU hardware.

By the end of this training, participants will be able to:

• Set up and configure the BANGPy and Neuware development environments.
• Develop and optimize Python- and C++-based models for Cambricon MLUs.
• Deploy models to edge and data center devices running Neuware runtime.
• Integrate ML workflows with MLU-specific acceleration features.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of BANGPy and Neuware for development and deployment.
• Guided exercises focused on optimization, integration, and testing.

Course Customization Options

• To request a customized training for this course based on your Cambricon device model or use case, please contact us to arrange.

Denne 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.

Denne 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.

Dette instruktørledede, live-oppdraget i Norge (online eller lokal) er rettet mot mellomnivåutviklere som ønsker å bruke CUDA til å bygge Python-applikasjoner som kjører parallellt på NVIDIA GPUs.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke Numba-kompilatoren for å akselerere Python-applikasjoner som kjører på NVIDIA GPU-er.
• Opprette, kompilere og starte egendefinerte CUDA-kjerner.
• Administrere GPU-minne.
• Konvertere en CPU-basert applikasjon til en GPU-akselerert applikasjon.

Dette 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.