GPU Kurs i Oslo

Denne instruktørledede, liveopplæringen i Oslo (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 Oslo (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 Oslo (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 Oslo (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 Oslo (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 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.

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 Oslo (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) 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 Oslo (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 Oslo (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 Oslo (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 Oslo 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.