Online GPU Treningskurs i Norge

Huawei Ascend er en familie av AI-prosessorer som er utformet for høy ytelse i inferens og trening.

Dette instruktørbaserte, live-treningen (online eller på stedet) er rettet mot mellomnivå-AI-ingeniører og datavitenskapsfolk som ønsker å utvikle og optimere neurale nettverksmodeller ved hjelp av Huawei’s Ascend-platform og CANN-verktøysett.

Ved slutten av denne treningen vil deltakerne kunne:

• Sette opp og konfigurere CANN-utviklingsmiljøet.
• Utvikle AI-applikasjoner ved hjelp av MindSpore- og CloudMatrix-arbeidsflyter.
• Optimalisere ytelse på Ascend NPUs ved å bruke egendefinerte operatører og tiling.
• Distribuere modeller til edge- eller skymiljøer.

Kursformat

• Interaktiv forelesning og diskusjon.
• Hånd-onn-bruk av Huawei Ascend og CANN-verktøysett i eksempelapplikasjoner.
• Veiledede øvelser fokusert på modellbygging, trening og distribusjon.

Kursoppsprringsoptsjoner

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

Huaweis AI-stakk — fra lavnivå-CANN SDK til høy-nivå MindSpore-rammeverket — tilbyr et tett integrert AI-utviklings- og distribusjonsmiljø som er optimalisert for Ascend-hardware.

Denne instruktørledede, live-treningen (online eller på stedet) er rettet mot tekniske fagfolk på begynnernivå til mellomnivå som ønsker å forstå hvordan CANN og MindSpore-komponentene samarbeider for å støtte AI-livssyklushåndtering og infrastrukturbeslutninger.

Ved kursets slutt vil deltakerne kunne:

• Forstå den lagdelte arkitekturen i Huaweis AI-beregningsstakk.
• Identifisere hvordan CANN støtter modelloptimalisering og distribusjon på hardwarenivå.
• Vurdere MindSpore-rammeverket og verktøykjeden i forhold til alternativene i industrien.
• Plassere Huaweis AI-stakk i bedrifts- eller cloud/on-prem-miljøer.

Kursformat

• Interaktiv forelesning og diskusjon.
• Live systemdemonstrasjoner og tilfellebaserte gjennomganger.
• Valgfrie veiledede laboratorier på modellflyt fra MindSpore til CANN.

Tilpasningsmuligheter for kurs

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å ordne.

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.

CANN SDK (Compute Architecture for Neural Networks) tilbyr kraftige verktøy for implementering og optimalisering av realtid AI-applikasjoner i computer vision og NLP, spesielt på Huawei Ascend-hardware.

Denne instruktørførte, live-kurs (online eller på stedet) er rettet mot mellemnivå AI-praktikere som ønsker å bygge, implementere og optimalisere visjons- og språkmodeller ved hjelp av CANN SDK for produksjonsbruk.

Ved slutten av dette kurset vil deltakerne kunne:

• Implementere og optimalisere CV- og NLP-modeller ved hjelp av CANN og AscendCL.
• Bruke CANN-verktøy til å konvertere modeller og integrere dem i live-pipelines.
• Optimalisere inferensprestasjon for oppgaver som deteksjon, klassifisering og sentimentanalyse.
• Bygge realtid CV/NLP-pipelines for edge- eller skybaserte implementerings-scenarier.

Kursformat

• Interaktiv forelesning og demonstrasjon.
• Håndson laboratorium med modellimplementering og prestasjonsprofiling.
• Live-pipeline-design ved hjelp av reelle CV- og NLP-anvendelsesområder.

Kursjusteringsoptsjoner

• For å be om et tilpasset kurs, kontakt oss for å ordne det.

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.

CANN TIK (Tensor Instruction Kernel) og Apache TVM gjør det mulig å optimere og tilpasse AI-modelloperatører for Huawei Ascend maskinvare.

Denne opplæringskurset ledet av instruktør (online eller på stedet) er rettet mot systemutviklere på avansert nivå som ønsker å bygge, distribuere og justere egendefinerte operatører for AI-modeller ved hjelp av CANN’s TIK-programmeringsmodell og TVM-kompilatorintegrasjon.

Ved avslutning av denne opplæringen vil deltakerne kunne:

• Skrive og teste egendefinerte AI-operatører ved hjelp av TIK DSL for Ascend-prosessorer.
• Integrere egendefinerte operatører i CANN køringsmiljø og utførelsesgraf.
• Bruke TVM for operatørplanlegging, autotuning og benchmarking.
• Feilsøke og optimere instruksjonsnivåprestasjon for egendefinerte beregningsmønstre.

Kursform

• Interaktiv forelesning og demonstrasjon.
• Praktisk programmering av operatører ved hjelp av TIK- og TVM-pipeliner.
• Testing og justering på Ascend-maskinvare eller simuleringer.

Tilpassingsmuligheter for kurset

• For å be om et tilpasset opplæringskurs for dette kurset, vennligst kontakt oss for å avtale.

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.

CloudMatrix er Huaweis enhetlige plattform for utvikling og distribusjon av AI, som er designet for å støtte skalerbare, produksjonskvalitetsinferenspipeliner.

Denne instruktørledede, levende opplæringen (online eller på stedet) er rettet mot AI-profesjonelle på begynnernivå til mellomnivå som ønsker å distribuere og overvåke AI-modeller ved hjelp av CloudMatrix plattformen med CANN og MindSpore-integrering.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke CloudMatrix for modellpakking, distribusjon og levertjeneste.
• Konvertere og optimalisere modeller for Ascend-chipsett.
• Opprette pipelines for sanntids- og batch-inferensoppgaver.
• Overvåke distribusjoner og justere ytelse i produksjonsmiljøer.

Kursets format

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

Tilpasningsalternativer for kurs

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

Huaweis Ascend CANN-verktøykasse muliggjør kraftig AI-inferens på edge-enheter som Ascend 310. CANN gir essensielle verktøy for å kompilere, optimere og deploye modeller der beregningskraft og minne er begrenset.

Denne instruktørlede live-treningen (online eller på sted) er rettet mot AI-utviklere og integratorer på mellomnivå som ønsker å deploye og optimere modeller på Ascend-edge-enheter ved hjelp av CANN-verktøykjeden.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Forberede og konvertere AI-modeller for Ascend 310 ved hjelp av CANN-verktøy.
• Bygge lette inferens-pipelines ved hjelp av MindSpore Lite og AscendCL.
• Optimerer modellytelse for begrensede beregnings- og minne-miljøer.
• Deployere og overvåke AI-applikasjoner i virkelige edge-brukstilfeller.

Formatet på kurset

• Interaktiv forelesning og demonstrasjon.
• Hånds-på-laboratorium med edge-spesifikke modeller og scenarier.
• Live-deployereksempler på virtuell eller fysisk edge-hardware.

Kurskustomiseringsalternativer

• For å be om en tilpasset trening for dette kurset, 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.

CANN (Compute Architecture for Neural Networks) er Huaweis AI-beregningssverktøy som brukes til å kompilere, optimalisere og distribuere AI-modeller på Ascend AI-prosessorer.

Dette instruktørledede, live-trainingen (online eller på stedet) er rettet mot AI-utviklere på begynnernivå som ønsker å forstå hvordan CANN passer inn i modelllevesyklusen fra trening til distribusjon, og hvordan det fungerer sammen med rammeverk som MindSpore, TensorFlow, og PyTorch.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå formålet og arkitekturen til CANN verktøysettet.
• Opprette en utviklingsmiljø med CANN og MindSpore.
• Konvertere og distribuere en enkel AI-modell til Ascend-hardware.
• Oppnå grunnleggende kunnskap for fremtidige CANN optimaliserings- eller integreringsprosjekter.

Format på kurset

• Interaktiv forelesning og diskusjon.
• Hånds-på-lab med enkel modelldistribusjon.
• Trinn-for-trinn gjennomgang av CANN verktøykjeden og integrasjonspunkter.

Tilpasningsmuligheter for kurset

• For å be om tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Ascend, Biren og Cambricon er ledende AI-hardwareplattformer i Kina, og hver av dem tilbyr unike akselerasjon- og profileringverktøy for AI-belastninger på produksjonsnivå.

Denne instruktørledede, live-utdanningen (online eller på stedet) er rettet mot avanserte AI-infrastruktur- og ytelsesingeniører som ønsker å optimalisere modellinferens og treningarbeidsflyter over flere kinesiske AI-chipplattformer.

Ved slutten av denne utdanningen vil deltakerne kunne:

• Benkmark-modeller på Ascend, Biren og Cambricon-plattformer.
• Identifisere systemflaskehalser og minne-/beregningsineffektiviteter.
• Bruke grafnivå-, kjerne-nivå- og operatørnivå-optimaliseringer.
• Tune deploymentsrørledninger for å forbedre gjennomstrømning og latens.

Kursformat

• Interaktiv forelesning og diskusjon.
• Prøving av profilering- og optimaliseringsverktøy på hver plattform.
• Veiledede øvelser som fokuserer på praktisk tuning.

Kursets tilpasningsmuligheter

• For å be om en tilpasset utdanning for dette kurset basert på din ytelsesmiljø eller modelltype, vennligst kontakt oss for å ordne.

CANN SDK (Compute Architecture for Neural Networks) er Huaweis grunnlag for AI-regning som lar utviklere finjustere og optimalisere ytelsen til nydelte nevrale nettverk på Ascend AI-prosessorer.

Denne instruktørledede, live-treningen (online eller på sted) er rettet mot avanserte AI-utviklere og systemingeniører som ønsker å optimalisere inferensytelse ved hjelp av CANN’s avanserte verktøyoppsett, inkludert Graph Engine, TIK, og utvikling av tilpassede operatører.

Ved slutten av denne treningen vil deltakerne være i stand til å:

• Forstå CANN’s kjørbararkitektur og ytelseslivssyklus.
• Bruk profileringsverktøy og Graph Engine for ytelsesanalyse og optimalisering.
• Opprette og optimalisere tilpassede operatører ved hjelp av TIK og TVM.
• Løse hukommelsesflaskhalser og forbedre modellgjennomstrømning.

Kursformat

• Interaktiv forelesning og diskusjon.
• Pratiske laboratorier med sanstidsprofilering og operatørjustering.
• Optimaliseringsøvelser ved bruk av ekstremtilfeller for innsetting.

Tilpassingsmuligheter for kurset

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

Kinesiske GPU-arkitekturer som Huawei Ascend, Biren, og Cambricon MLUs tilbyr CUDA-alternativer tilpasset for lokale AI- og HPC-marked.

Denne instruktørledede, live-trening (online eller på stedet) er rettet mot avanserte GPU-programmerere og infrastrukturspesialister som ønsker å migrere og optimalisere eksisterende CUDA-applikasjoner for deployering på kinesiske hardwarplattformer.

Ved slutten av denne treningen vil deltakerne kunne:

• Vurdere kompatibiliteten til eksisterende CUDA-arbeidsbelastninger med kinesiske chip-alternativer.
• Flytte CUDA-kodebaser til Huawei CANN, Biren SDK, og Cambricon BANGPy-miljøer.
• Sammenligne ytelse og identifisere optimaliseringspunkter over plattformer.
• Behandle praktiske utfordringer med kryssarkitekturstøtte og deployering.

Kursets format

• Interaktiv forelesning og diskusjon.
• Praktiske kodeoversettings- og ytelsessammenligningslaboratorier.
• Veiledede øvelser fokusert på fler-GPU-tilpasningsstrategier.

Tilpasningsmuligheter for kurset

• For å be om en tilpasset trening for dette kurset basert på din plattform eller CUDA-prosjekt, 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 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.

CANN (Regningsarkitektur for Neural Networks) er Huaweis AI-regningsstabel for å implementere og optimalisere AI-modeller på Ascend AI-prosessorer.

Denne instruktørledede, live-treningen (online eller på stedet) er rettet mot AI-utviklere og ingeniører på mellomnivå som ønsker å effektivt implementere trente AI-modeller på Huawei Ascend-hardware ved hjelp av CANN-verktøykassen og verktøy som MindSpore, TensorFlow, eller PyTorch.

Ved avslutningen av denne treningen vil deltakerne være i stand til å:

• Forstå CANN-arkitekturen og dens rolle i AI-implementeringspipeline.
• Konvertere og tilpasse modeller fra populære rammeverk til Ascend-kompatible formater.
• Bruke verktøy som ATC, OM modellkonvertering og MindSpore for kant- og skyinferens.
• Diagnostisere implementeringsproblemer og optimalisere ytelse på Ascend-hardware.

Format på kurset

• Interaktiv forelesning og demonstrasjon.
• Hånds-på labarbeid ved bruk av CANN-verktøy og Ascend-simulatorer eller enheter.
• Praktiske implementeringsscenarier basert på virkelige AI-modeller.

Tilhørende valgmuligheter for kurset

• For å be om et tilpasset treningskurs for dette kurset, vennligst kontakt oss for å avtale.

Biren AI-akseleratorer er høyytelsesorienterte GPUs designet for AI- og HPC-laster med støtte for stort volum trenings- og inferensarbeid.

Dette ledede, live-treningen (online eller på stedet) er rettet mot mellomnivå- og avanserte utviklere som ønsker å programmere og optimalisere applikasjoner ved hjelp av Biren sitt proprietære GPU-stakk, med praktiske sammenligninger med CUDA-baserte miljøer.

Til slutt vil deltakerne kunne:

• Forstå Biren GPU-arkitektur og minnehierarki.
• Opprette utviklingsmiljø og bruke Biren sitt programmeringsmodell.
• Oversette og optimalisere CUDA-stilkode for Biren-plattformer.
• Bruke prestasjonsjustering og feilsøkingsmetoder.

Format på kurset

• Interaktiv forelesning og diskusjon.
• Hender-på bruk av Biren SDK i eksempler på GPU-laster.
• Guidede øvelser fokusert på porting og prestasjonsjustering.

Muligheter for tilpassing av kurset

• For å be om tilpasset trening for dette kurset basert på din applikasjonsstakk eller integrasjonsbehov, ta kontakt med oss for å avtale.

Cambricon MLUs (Machine Learning Units) er spesialiserte AI-kretser som er optimalisert for inferens og opplæring i edge- og datasenter-scenarier.

Denne instruktørlede, live-undervisningen (online eller på sted) er rettet mot mellomnivåutviklere som ønsker å bygge og distribuere AI-modeller ved bruk av BANGPy-rammeverket og Neuware SDK på Cambricon MLU-hardware.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sette opp og konfigurere BANGPy- og Neuware-utviklingsmiljøene.
• Utvikle og optimalisere Python- og C++-baserte modeller for Cambricon MLUs.
• Distribuere modeller til edge- og datasenter-enheter som kjører Neuware-runtime.
• Integere ML-arbeidsflyter med MLU-spesifikke akselerasjonsfunksjoner.

Kursets format

• Interaktiv forelesning og diskusjon.
• Hånds-on bruk av BANGPy og Neuware for utvikling og distribuering.
• Veiledede øvelser som fokuserer på optimalisering, integrering og testing.

Kursets tilpassingsmuligheter

• For å bestille en tilpasset opplæring for dette kurset basert på din Cambricon-enhetsmodell eller bruksområde, kontakt oss for å avtale.

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-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.