ROCm for Windows Treningskurs

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, 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.

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.

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, 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, 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 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.

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.

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.