GPU oktatás Magyarország

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 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 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.

A Huawei CloudMatrix a Huawei által kifejlesztett, egységes AI-fejlesztési és telepítési platform, amelyet skálázható, gyártási szintű inferencia-pipelinek támogatására terveztek.

Ez az oktatóvezetett, élő tanfolyam (online vagy helyszínen) kezdő- és közepes szintű AI szakembereknek szánt, akik a CloudMatrix platform használatával szeretnék AI-modelleket telepíteni és monitorozni CANN és MindSpore integrációval.

Ez a tanfolyam végén a résztvevők képesek lesznek:

• CloudMatrix használata modell csomagolásához, telepítéséhez és szolgáltatásához.
• Modellek átalakítása és optimalizálása Ascend chipsetekre.
• Pipelinek beállítása valós idejű és tömbös inferencia feladatokhoz.
• Telepítések monitorozása és teljesítmény finomítása gyártási környezetben.

A tanfolyam formája

• Interaktív előadás és beszélgetés.
• CloudMatrix gyakorlati használata valós telepítési jelenetekkel.
• Átalakítás, optimalizálás és skálázásra összpontosító irányított gyakorlatok.

A tanfolyam testreszabási lehetőségei

• A tanfolyam AI-infrastruktúrája vagy felhői környezete alapján testreszabott képzés kérésére vegye fel velünk a kapcsolatot.

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) 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.

Ascend, Biren, és Cambricon a vezető AI hardver platformok Kínában, mindegyik különleges gyorsító és profilizáló eszközökkel rendelkezik a termelési méretű AI feladatokhoz.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) az olyan előrehaladott szintű AI infrastruktúra és teljesítmény mérnököknek szól, akik optimalizálni szeretnék a modell előrejelzés és tanítási folyamatokat több kínai AI chip platformon keresztül.

A képzés végére a résztvevők képesek lesznek:

• Ascend, Biren és Cambricon platformokon modell teljesítménymérleget készíteni.
• Rendszeri szűk keresztmetszeteket és memóriaproblémákat azonosítani.
• Gráf- és magszintű optimalizálásokat alkalmazni.
• Telepítési csővezetékeket állítsanak be a áthagyományszerű és késleltetés javítására.

A képzés formája

• Interaktív előadás és beszélgetés.
• Profilizáló és optimalizáló eszközök használata a platformokon.
• Pratikus beállítási feladatokra összpontosító gyakorlatok.

A képzés testreszabási lehetőségei

• A teljesítményi környezete vagy modell típusa alapján testreszabott képzést igényelni, vegye fel a kapcsolatot velünk, hogy megtaláljuk a megoldást.

Kínai GPU architektúrák, például Huawei Ascend, Biren és Cambricon MLU-k CUDA alternatívákat kínálnak, amelyek az helyi AI és HPC piacokra vannak szabva.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) az advanced-level GPU programozók és infrastruktúra szakértők számára szól, akik kíváncsiak arra, hogy CUDA alkalmazásaikat áttegyék és optimalizálják kínai hardverplatformokra.

A képzés végén a résztvevők képesek lesznek:

• Megvizsgálni az egyes CUDA munkaterhelések kompatibilitását a kínai csipalternatívákkal.
• CUDA kódbázisokat portolni a Huawei CANN, Biren SDK és Cambricon BANGPy környezetekbe.
• Összehasonlítják a teljesítményt és azonosítanak optimalizálási pontokat a platformokon keresztül.
• A gyakorlati kihívásokkal foglalkoznak a keresztplatformos támogatás és telepítés során.

A képzés formája

• Interaktív előadás és beszélgetés.
• Kézi kódfordítás és teljesítmény összehasonlítási laborok.
• Vezetett gyakorlatok, amelyek több GPU adaptációs stratégiákra koncentrálnak.

A képzés testreszabási lehetőségei

• A képzés testreszabására, a platformja vagy CUDA projektje alapján kérjük, lépjen kapcsolatba velünk a rendezéshez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a 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 CUDA Toolkit-et, egy NVIDIA GPU és Visual Studio kódot tartalmazó fejlesztői környezetet.
• 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.

Az ügyfelek 97%-a elégedett.

Huawei Ascend az AI processzorok családja, amelyet nagy teljesítményű inferenciára és tanulásra terveznek.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) az olyan középfokú AI mérnököknek és adat tudósoknak szól, akik Huawei Ascend platformja és a CANN eszközkészlete segítségével szeretnének neural háló modelleket fejleszteni és optimalizálni.

A képzés végén a résztvevők képesek lesznek:

• Beállítani és konfigurálni a CANN fejlesztői környezetet.
• MindSpore és CloudMatrix munkafolyamatok használatával AI alkalmazásokat fejleszteni.
• Egyedi operátorok és cserélés használatával optimalizálni a teljesítményt Ascend NPU-kon.
• Modelleket telepíteni életrutakba vagy felhőkörnyezetbe.

A képzés formátuma

• Interaktív előadás és beszélgetés.
• Huawei Ascend és CANN eszközkészlet használata mintaprojektekben.
• Modellépítés, tanulás és telepítésre összpontosító irányított gyakorlatok.

A képzés testreszabási lehetőségei

• A képzés infrastruktúrája vagy adathalmazai alapján testreszabott képzés kérésére, kérjük, lépjen kapcsolatba velünk a megbeszéléshez.

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 egységek) speciális AI-chip-ek, optimalizálva az inferencia és a tanításra szegélyi és adatközponti környezetekben.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) középszintű fejlesztőknek szól, akik a BANGPy keretrendszer és a Neuware SDK segítségével szeretnének AI-modelleket építeni és telepíteni Cambricon MLU hardveren.

Ez a képzés végén a résztvevők képesek lesznek:

• Beállítani és konfigurálni a BANGPy és Neuware fejlesztői környezeteket.
• Python- és C++-alapú modelleket fejleszteni és optimalizálni Cambricon MLU-khoz.
• Modelleket telepíteni szegélyi és adatközponti eszközökre, amelyeken Neuware futtatókörnyezet működik.
• ML-munkafolyamatokat integrálni MLU-specifikus gyorsítói jellemzőkkel.

A képzés formátuma

• Interaktív előadás és beszélgetés.
• BANGPy és Neuware használata fejlesztés és telepítés során gyakorlati módon.
• Optimalizálás, integrálás és tesztelésre összpontosító vezetett gyakorlatok.

A képzés testreszabási lehetőségei

• A képzés testreszabott változatát Cambricon eszközmodellek vagy felhasználási esetek alapján kérhetik, vegyék fel velünk a kapcsolatot a megszervezéshez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő szintű rendszergazdáknak és informatikai szakembereknek szól, akik CUDA-környezeteket szeretnének telepíteni, konfigurálni, kezelni és hibaelhárítást végezni.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a CUDA architektúráját, összetevőit és képességeit.
• Telepítse és konfigurálja a CUDA-környezeteket.
• Kezelje és optimalizálja a CUDA-erőforrásokat.
• Hibakeresés és a gyakori CUDA-problémák elhárítása.

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 tanfolyam a Magyarország-ban (online vagy elhárítva) középső szintű fejlesztők számára, akik szeretnének CUDA használatát felmerni az Python alkalmazások létrehozására és párhuzamos futtatásukra NVIDIA GPU-gyalog.

A képzés végére a résztvevők képesek lesznek:

• Használják a Numba fordítót a NVIDIA GPU-okon futó alkalmazások felgyorsítására.
• Hozzanak létre, fordítsanak le és indítsanak el egyedi CUDA kernel-eket.
• Kezeljék a GPU memóriát.
• Konvertáljanak egy CPU-alapú alkalmazást GPU-gyorsítású alkalmazássá.

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.