Administration of CUDA Kurzusok

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a CUDA segítségével szeretnének létrehozni Python alkalmazásokat, amelyek párhuzamosan futnak NVIDIA GPU-kon.

A képzés végére a résztvevők képesek lesznek:

• A Numba fordító segítségével felgyorsíthatja Python az NVIDIA GPU-kon futó alkalmazásokat.
• Egyéni CUDA kernelek létrehozása, fordítása és elindítása.
• GPU memória kezelése.
• CPU-alapú alkalmazás konvertálása GPU-gyorsított alkalmazássá.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű fejlesztőknek szól, akik a ROCm-et és a HIP-et szeretnék használni az AMD GPU programozására és párhuzamosságuk kihasználására.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely tartalmazza a ROCm platformot, egy AMD GPU és Visual Studio kódot.
• Hozzon létre egy alap ROCm programot, amely vektorösszeadást végez a GPU-n, és lekéri az eredményeket a GPU memóriából.
• Használja a ROCm API-t az eszközinformációk lekérdezésére, az eszközmemória lefoglalására és felszabadítására, az adatok másolására a gazdagép és az eszköz között, kernelek indítására és szálak szinkronizálására.
• Használja a HIP nyelvet olyan kernelek írásához, amelyek a GPU-on futnak és adatokat kezelnek.
• Használjon HIP beépített függvényeket, változókat és könyvtárakat a gyakori feladatok és műveletek végrehajtásához.
• Használjon ROCm és HIP memóriatereket, például globális, megosztott, állandó és helyi, az adatátvitel és a memóriaelérés optimalizálásához.
• A párhuzamosságot meghatározó szálak, blokkok és rácsok vezérléséhez használja a ROCm és HIP végrehajtási modelleket.
• A ROCm és HIP programok hibakeresése és tesztelése olyan eszközökkel, mint a ROCm Debugger és ROCm Profiler.
• Optimalizálja a ROCm és HIP programokat olyan technikák segítségével, mint az összevonás, gyorsítótár, előzetes letöltés és profilalkotás.

This course covers how to program GPUs for parallel computing. Some of the applications include deep learning, analytics, and engineering applications.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű fejlesztőknek szól, akik szeretnék megtanulni a GPU programozás alapjait, valamint a GPU alkalmazások fejlesztésének fő keretrendszereit és eszközeit. .

• A képzés végére a résztvevők képesek lesznek:
  Ismerje meg a CPU és a GPU számítástechnika közötti különbséget, valamint a GPU programozás előnyeit és kihívásait.
• Válassza ki a megfelelő keretrendszert és eszközt GPU alkalmazásukhoz.
• Hozzon létre egy alap GPU programot, amely vektorösszeadást hajt végre egy vagy több keretrendszer és eszköz használatával.
• Használja a megfelelő API-kat, nyelveket és könyvtárakat az eszközinformációk lekérdezéséhez, az eszközmemória lefoglalásához és felszabadításához, az adatok másolásához a gazdagép és az eszköz között, kernelek indításához és szálak szinkronizálásához.
• Az adatátvitel és a memóriaelérés optimalizálásához használja a megfelelő memóriaterületeket, például globális, helyi, állandó és privát.
• A párhuzamosság szabályozásához használja a megfelelő végrehajtási modelleket, például munkaelemeket, munkacsoportokat, szálakat, blokkokat és rácsokat.
• Hibakeresés és tesztelés GPU programokban olyan eszközökkel, mint a CodeXL, CUDA-GDB, CUDA-MEMCHECK és NVIDIA Nsight.
• Optimalizálja GPU programokat olyan technikák segítségével, mint az összevonás, gyorsítótár, előzetes letöltés és profilalkotás.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű fejlesztőknek szól, akik a CUDA segítségével kívánják programozni az NVIDIA-kat GPU, és kihasználni párhuzamosságukat.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely CUDA Toolkit, NVIDIA GPU és Visual Studio kódot tartalmaz.
• Hozzon létre egy alap CUDA programot, amely vektorösszeadást végez az GPU-en, és lekéri az eredményeket az GPU memóriából.
• Használja a CUDA API-t az eszközinformációk lekérdezésére, az eszközmemória lefoglalására és felszabadítására, az adatok másolására a gazdagép és az eszköz között, kernelek indítására és szálak szinkronizálására.
• A CUDA C/C++ nyelv használatával írjon kerneleket, amelyek az GPU-en futnak és adatokat kezelnek.
• Használja a CUDA beépített függvényeit, változóit és könyvtárait a gyakori feladatok és műveletek végrehajtásához.
• Használjon CUDA memóriaterületeket, például globális, megosztott, állandó és helyi, az adatátvitel és a memóriaelérés optimalizálásához.
• Használja a CUDA végrehajtási modellt a párhuzamosságot meghatározó szálak, blokkok és rácsok vezérlésére.
• Hibakeresés és tesztelés a CUDA programokban olyan eszközökkel, mint a CUDA-GDB, CUDA-MEMCHECK és az NVIDIA Nsight.
• Optimalizálja a CUDA-programokat olyan technikák segítségével, mint az összevonás, a gyorsítótár, az előzetes letöltés és a profilalkotás.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő- és középszintű fejlesztőknek szól, akik az OpenACC-t szeretnék használni heterogén eszközök programozására és párhuzamosságuk kihasználására.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely tartalmazza az OpenACC SDK-t, egy OpenACC-t támogató eszközt és Visual Studio kódot.
• Hozzon létre egy alap OpenACC programot, amely vektorösszeadást végez az eszközön, és lekéri az eredményeket az eszköz memóriájából.
• Használjon OpenACC direktívákat és záradékokat a kód megjegyzéseihez, és adja meg a párhuzamos régiókat, az adatmozgatást és az optimalizálási beállításokat.
• Használja az OpenACC API-t az eszközinformációk lekérdezéséhez, az eszközszám beállításához, a hibák kezeléséhez és az események szinkronizálásához.
• Használjon OpenACC-könyvtárakat és interoperabilitási szolgáltatásokat az OpenACC más programozási modellekkel, például CUDA-val, OpenMP-val és MPI-vel való integrálásához.
• Használja az OpenACC eszközöket az OpenACC programok profilozásához és hibakereséséhez, valamint a teljesítmény szűk keresztmetszete és lehetőségei azonosításához.
• Optimalizálja az OpenACC programokat olyan technikák segítségével, mint az adatlokalitás, a hurokfúzió, a kernelfúzió és az automatikus hangolás.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű fejlesztőknek szól, akik a OpenCL-t szeretnék használni heterogén eszközök programozására és párhuzamosságuk kihasználására.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely magában foglalja a OpenCL SDK-t, a OpenCL-t támogató eszközt és az Visual Studio kódot.
• Hozzon létre egy alap OpenCL programot, amely vektorösszeadást végez az eszközön, és lekéri az eredményeket a készülék memóriájából.
• Használja a OpenCL API-t eszközinformációk lekérdezésére, kontextusok, parancssorok, pufferek, kernelek és események létrehozására.
• Használja a OpenCL C nyelvet olyan kernelek írásához, amelyek az eszközön futnak és adatokat kezelnek.
• Használjon OpenCL beépített függvényeket, bővítményeket és könyvtárakat általános feladatok és műveletek végrehajtásához.
• Használja a OpenCL gazdagép- és eszközmemóriamodelleket az adatátvitel és a memóriaelérés optimalizálásához.
• Használja a OpenCL végrehajtási modellt a munkaelemek, munkacsoportok és ND-tartományok vezérléséhez.
• Hibakeresés és tesztelés OpenCL programokkal olyan eszközökkel, mint a CodeXL, az Intel VTune és az NVIDIA Nsight.
• Optimalizálja OpenCL programokat olyan technikák segítségével, mint a vektorizálás, a hurok kibontása, a helyi memória és a profilalkotás.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű fejlesztőknek szól, akik különböző keretrendszereket szeretnének használni a GPU programozáshoz, és össze akarják hasonlítani azok jellemzőit, teljesítményét és kompatibilitását.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely magában foglalja az OpenCL SDK-t, a CUDA Toolkit-et, a ROCm Platformot, az OpenCL, a CUDA-t vagy a ROCm-et támogató eszközt és a Visual Studio kódot.
• Hozzon létre egy alap GPU programot, amely végrehajtja a vektorok összeadását az OpenCL, CUDA és ROCm használatával, és hasonlítsa össze az egyes keretrendszerek szintaxisát, szerkezetét és végrehajtását.
• Használja a megfelelő API-kat az eszközinformációk lekérdezésére, az eszközmemória lefoglalására és felszabadítására, az adatok másolására a gazdagép és az eszköz között, kernelek indítására és szálak szinkronizálására.
• A megfelelő nyelvek használatával írjon kerneleket, amelyek az eszközön futnak és kezelik az adatokat.
• Az általános feladatok és műveletek végrehajtásához használja a megfelelő beépített függvényeket, változókat és könyvtárakat.
• Az adatátvitel és a memóriaelérés optimalizálásához használja a megfelelő memóriaterületeket, például globális, helyi, állandó és privát.
• Használja a megfelelő végrehajtási modelleket a párhuzamosságot meghatározó szálak, blokkok és rácsok vezérlésére.
• Hibakeresés és tesztelés GPU programokban olyan eszközökkel, mint a CodeXL, CUDA-GDB, CUDA-MEMCHECK és NVIDIA Nsight.
• Optimalizálja GPU programokat olyan technikák segítségével, mint az összevonás, gyorsítótár, előzetes letöltés és profilalkotás.

Ez az oktató által vezetett, élő képzés a Magyarország-ban bemutatja, hogyan kell programozni GPU-kat párhuzamos számítástechnikára, hogyan kell használni a különböző platformokat, hogyan kell dolgozni a CUDA platformmal és annak szolgáltatásaival, valamint hogyan kell különféle optimalizálási technikákat végrehajtani a CUDA használatával. . Néhány alkalmazás mély tanulási, elemzési, képfeldolgozó és mérnöki alkalmazásokat tartalmaz.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű fejlesztőknek szól, akik szeretnék telepíteni és használni a ROCm-et Windows rendszeren az AMD GPU programozására és párhuzamosságuk kihasználására.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely tartalmazza a ROCm platformot, egy AMD GPU és Visual Studio kódot Windows rendszeren.
• Hozzon létre egy alap ROCm programot, amely vektorösszeadást végez a GPU-n, és lekéri az eredményeket a GPU memóriából.
• Használja a ROCm API-t az eszközinformációk lekérdezésére, az eszközmemória lefoglalására és felszabadítására, az adatok másolására a gazdagép és az eszköz között, kernelek indítására és szálak szinkronizálására.
• Használja a HIP nyelvet olyan kernelek írásához, amelyek a GPU-on futnak és adatokat kezelnek.
• Használjon HIP beépített függvényeket, változókat és könyvtárakat a gyakori feladatok és műveletek végrehajtásához.
• Használjon ROCm és HIP memóriatereket, például globális, megosztott, állandó és helyi, az adatátvitel és a memóriaelérés optimalizálásához.
• A párhuzamosságot meghatározó szálak, blokkok és rácsok vezérléséhez használja a ROCm és HIP végrehajtási modelleket.
• A ROCm és HIP programok hibakeresése és tesztelése olyan eszközökkel, mint a ROCm Debugger és ROCm Profiler.
• Optimalizálja a ROCm és HIP programokat olyan technikák segítségével, mint az összevonás, gyorsítótár, előzetes letöltés és profilalkotás.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik hardveresen gyorsított objektumészlelési és nyomkövetési modelleket szeretnének építeni a streaming videoadatok elemzéséhez.

A képzés végére a résztvevők képesek lesznek:

• A fejlesztés megkezdéséhez telepítse és konfigurálja a szükséges fejlesztői környezetet, szoftvereket és könyvtárakat.
• Építsen, képezzen és telepítsen mély tanulási modelleket az élő videofeedek elemzéséhez.
• A videokockákon belüli különböző objektumok azonosítása, követése, szegmentálása és előrejelzése.
• Optimalizálja az objektumészlelési és nyomkövetési modelleket.
• Telepítsen egy intelligens videóelemző (IVA) alkalmazást.