GPU Kurs i Norge

Dette instruktørførte, live-treningen i Norge (online eller på stedet) er rettet mot utviklere på nybegynner- til mellemnivå som ønsker å bruke OpenACC for å programmere heterogene enheter og utnytte deres parallelle kapasiteter.

Etter denne treningen vil deltakerne kunne:

• Konfigurere en OpenACC-utviklingsmiljø.
• Skrive og kjøre et grunnleggende OpenACC-program.
• Merk kode med OpenACC-direktiver og -klauser.
• Bruk OpenACC API og biblioteker.
• Profiler, feilsøke og optimere OpenACC-programmer.

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 opplæringskursen, ledet av en instruktør (online eller på sted), er rettet mot utviklere på begynnernivå til mellomnivå som ønsker å bruke ulike rammeverk for GPU-programmering og sammenligne deres funksjoner, ytelse og kompatibilitet.

Ved avslutning av denne opplæringskursen vil deltakerne være i stand til å:

• Opprette en utviklingsmiljø som inkluderer OpenCL SDK, CUDA Toolkit, ROCm Platform, en enhet som støtter OpenCL, CUDA eller ROCm, og Visual Studio Code.
• Opprette et grunnleggende GPU-program som utfører vektoraddisjon ved hjelp av OpenCL, CUDA og ROCm, og sammenligne syntaksen, strukturen og utførelsen av hver rammeverk.
• Bruke de respektive APIene til å hente enhetsinformasjon, allokere og frigjøre enhetsminne, kopiere data mellom vert og enhet, kjøre kjerner og synkronisere tråder.
• Bruke de respektive språkene til å skrive kjerner som kjøres på enheten og manipulerer data.
• Bruke de respektive innebygde funksjoner, variabler og bibliotekene til å utføre vanlige oppgaver og operasjoner.
• Bruke de respektive minneplassene, slik som global, lokal, konstant og privat, til å optimalisere datatransferer og minneaksesser.
• Bruke de respektive utførelsesmodellene til å kontrollere tråder, blokker og ruter som definerer parallellisme.
• Feilsøke og teste GPU-programmer ved hjelp av verktøy som CodeXL, CUDA-GDB, CUDA-MEMCHECK og NVIDIA Nsight.
• Optimalisere GPU-programmer ved hjelp av teknikker som samling, caching, forhenting og profiling.

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.

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.

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 instruktør-ledede, live-treningen (online eller på stedet) er rettet mot utviklere på begynnernivå til mellomnivå som ønsker å bruke OpenCL til å programmere heterogene enheter og utnytte deres parallellisme.

Ved slutten av denne treningen vil deltakerne kunne:

• Opprette en utviklingsmiljø som inkluderer OpenCL SDK, en enhet som støtter OpenCL, og Visual Studio.
• Opprette et grunnleggende OpenCL-program som utfører vektoraddisjon på enheten og henter resultatene fra enhetens minne.
• Bruke OpenCL API til å hente informasjon om enheten, opprette kontekster, kommandokøer, buffer, kjerner og hendelser.
• Bruke OpenCL C-språk til å skrive kjerner som kjører på enheten og manipulerer data.
• Bruke OpenCLs innebygde funksjoner, utvidelser og biblioteker til å utføre vanlige oppgaver og operasjoner.
• Bruke OpenCLs vert- og enhetsminnemodeller for å optimalisere datakopiering og minnetilganger.
• Bruke OpenCLs utførelsesmodell for å kontrollere arbeidsobjekter, arbeidsgrupper og ND-ranges.
• Feilsøke og teste OpenCL-programmer ved hjelp av verktøy som CodeXL, Intel VTune og NVIDIA Nsight.
• Optimalisere OpenCL-programmer ved å bruke teknikkene vektorisering, løkkeutfolding, lokalt minne og profilering.

Dette instruktørledede, live-opplæringen i Norge (online eller på kontoret) er rettet mot C++-utviklere som ønsker å bruke CUDA til å akselerere applikasjoner, skrive GPU-kjerner med høy ytelse og utnytte parallelle algoritmebiblioteker for vitenskapelig computing, databehandling og maskinlæringsarbeidsbelastninger.

Denne instruktørledede, levende opplæringen i Norge (online eller på stedet) er rettet mot C/C++-utviklere som ønsker å bruke CUDA til å akselerere beregningsintensive applikasjoner, inkludert databehandling, vitenskapelige simuleringer, maskinlæringsarbeidsbelastninger og bildebehandlingspipeline.

Denne instruktørledete, live-opplæringen i Norge (online eller på stedet) er rettet mot programvareutviklere, dataanalytikere og tekniske fagfolk som ønsker å bruke TensorFlow 2.x og Keras for å bygge, trene og distribusjonere dype læringsmodeller for datamaskinseende, naturlig språkbehandling og multimodale applikasjoner.

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.