GPU oktatás Budapest

Huawei Ascend egy olyan AI-processzor-család, amely magas teljesítményű inferenciához és tréninghez készült.

Ez az oktató által vezetett, élő képzés (online vagy helyszínen) középszerű szintű AI mérnököknek és adat tudósoknak szól, akik azt szeretnék, hogy neural hálózati modelleket fejlesszenek ki és optimalizáljanak Huawei Ascend platformjával és a CANN eszközkészlettel.

E képzés végére a résztvevők képesek lesznek:

• Beállítani és konfigurálni a CANN fejlesztői környezetet.
• Fejleszteni AI alkalmazásokat MindSpore és CloudMatrix munkafolyamatokkal.
• Optimalizálni a teljesítményt Ascend NPU-kon saját operátorokkal és cserélési stratégiákkal.
• Modellokat telepíteni élénk vagy felhő környezetbe.

A képzés formátuma

• Interaktív előadás és beszélgetés.
• Huawei Ascend és CANN eszközkészlet használata minta alkalmazásokban.
• Modellépítésre, tréningre és telepítésre összpontosító gyakorlatok.

A képzés testreszabási lehetőségei

• Ha az infrastruktúrához vagy adatbázisokhoz igazított testreszabott képzést szeretne, kérjük, lépjen kapcsolatba velünk, hogy megbeszéljük.

A Huawei AI-stack — az CANN SDK-től a MindSpore keretrendszerig — egy szorosan integált AI-fejlesztési és telepítési környezetet kínál, amely optimalizálva van az Ascend hardverhez.

Ez az oktatóvezetett, élő tanfolyam (online vagy helyszínen) az alap- és középszintű technikusoknak szánva, akik meg szeretnék érteni, hogy az CANN és a MindSpore komponensek együttműködnek az AI életciklus-kezelés és infrastruktúra döntések támogatására.

E tanfolyam végén a résztvevők képesek lesznek:

• Megértik a Huawei AI-számítási stack réteges architektúráját.
• Megismerik, hogy az CANN támogatja a modell optimalizálást és a hardver-szintű telepítést.
• Kiértékelik a MindSpore keretrendszert és eszközsorát az ipari alternatívákhoz képest.
• Behelyezik a Huawei AI-stacket vállalati vagy felhő/helyszíni környezetekbe.

A tanfolyam formája

• Interaktív előadás és vita.
• Élő rendszerdemonstrációk és esetalapú áttekintések.
• Valószínűleg vezérelt gyakorlatok a modelfolyamban a MindSpore-tól az CANN-ig.

A tanfolyam testreszabási lehetőségei

• Egy testreszabott tanfolyamot kérésére, kérjük, lépjen kapcsolatba velünk a rendezéshez.

Ez az oktató által vezetett, élő képzés a Budapest-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.

Az CANN SDK (Neural Networks számítógépes architektúrájához) hatalmas telepítési és optimalizálási eszközöket biztosít az élethű AI alkalmazásokhoz a számítógépes látásban és az NLP-ben, különösen a Huawei Ascend hardveren.

Ez az oktatóvezetett, élő (online vagy előadói) képzés az átlagos szintű AI gyakorlók számára szól, akik a CANN SDK segítségével szeretnének építeni, telepíteni és optimalizálni a látás- és nyelvmodelleket gyártási eszközökhöz.

A képzés végén a résztvevők képesek lesznek:

• Telepíteni és optimalizálni a számítógépes látás és NLP modelleket az CANN és az AscendCL használatával.
• Az CANN eszközök használatát a modellek átalakítására és élő csövekbe való integrálására.
• Az inferencia teljesítmény optimalizálása felismerés, osztályozás és érzelem-analízis feladatokra.
• Élethű számítógépes látás/NLP csövek építése szél- vagy felhőalapú telepítési helyzetekhez.

A képzés formátuma

• Interaktív előadás és demostráció.
• Modelltelepítés és teljesítmény-profilozás gyakorlati labor.
• Élő csőtervezés valós számítógépes látás és NLP esetek használatával.

A képzés egyedi igénybevételének lehetőségei

• Az egyedi képzés kéréséhez, kérjük, vegye fel velünk a kapcsolatot, hogy rendezzük el.

Ez az oktató által vezetett, élő képzés a Budapest-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.

CANN TIK (Tensor Instruction Kernel) és az Apache TVM előrehaladott optimalizálást és testreszabást tesz lehetővé az AI-modell műveleti elemei számára Huawei Ascend hardveren.

Ezen oktatóvezetett élő képzést (online vagy helyszínen) az olyan előrehaladott szintű rendszerfejlesztőknek szánjuk, akik szeretnék építeni, telepíteni és optimalizálni saját műveleti elemeket AI-modellekhez a CANN TIK programozási modelljével és a TVM fordító integrálásával.

A képzés végén a résztvevők képesek lesznek:

• Írni és tesztelni saját AI-műveleti elemeket a TIK DSL segítségével Ascend processzorokra.
• Beilleszteni saját műveleti elemeket a CANN futtató környezetébe és végrehajtási gráfjába.
• TVM használata műveleti elem beosztáshoz, automatizált optimalizáláshoz és teljesítményvizsgálathoz.
• Hibatlanítás és optimalizálás utasítási szintű teljesítményhez saját számítási minta szerint.

A képzés formája

• Interaktív előadás és bemutató.
• Műveleti elem kódolása a TIK és TVM folyamatok használatával.
• Tesztelés és optimalizálás Ascend hardveren vagy szimulátorokon.

A képzés testreszabási lehetőségei

• Testreszabott képzés kéréséhez forduljon hozzánk, hogy megegyezzen.

Ez az oktatóvezetett, élő tanfolyam Budapest (online vagy helyszínen) kezdő- és középszintű fejlesztők számára szól, akik különböző keretrendszereket szeretnének használni GPU programozáshoz és összehasonlítani azok jellemzőit, teljesítményét és kompatibilitását.

A tanfolyam végére a résztvevők képesek lesznek:

• Egy fejlesztői környezetet állítani, amely tartalmazza a OpenCL SDK-t, a CUDA Toolkit-t, a ROCm Platformot, egy OpenCL-t, CUDA-t vagy ROCm-t támogató eszközt és Visual Studio Code-t.
• Egy alapvető GPU programot létrehozni, amely OpenCL-t, CUDA-t és ROCm-t használ vektorösszegzéshez, és összehasonlítja az egyes keretrendszerek szintaxisát, szerkezetét és futását.
• Az adott API-kat használni eszközinformációk lekérdezéséhez, eszköztároló memória foglalásához és felszabadításához, adatok másolásához a host és az eszköz között, kernel-ek indításához és szálak szinkronizálásához.
• Az adott nyelveket használni kernel-ek írásához, amelyek az eszközön futnak és adatokkal manipulálnak.
• Az adott beépített függvények, változók és könyvtárakat használni közönséges feladatok és műveletek végrehajtásához.
• Az adott memóriaterületeket használni, mint globális, helyi, állandó és magán memóriaterületek adattárolás optimalizálásához és memóriahozzáféréshez.
• Az adott végrehajtási modelleket használni a szálak, blokkok és rasterek irányításához, amelyek meghatározzák a párhuzamosságot.
• GPU programokat hibakeresni és tesztelni a CodeXL, CUDA-GDB, CUDA-MEMCHECK és NVIDIA Nsight eszközök használatával.
• GPU programokat optimalizálni olyan technikákkal, mint a csoportosítás, a gyorsítótár- és előtöltési technikák, valamint a profilozás.

A Huawei CloudMatrix egységes AI-fejlesztési és telepítési platform, amely skalálható, termelési minőségű inferenciapipelinék támogatására készült.

Ez az oktatóvezetett, élő (online vagy helyszíni) képzés kezdő szintűtől középfokú szintű AI szakemberek számára szánt, akik a CloudMatrix platformon szeretnék AI-modelleket telepíteni és monitorozni, CANN-kal és MindSpore integrációval.

A képzés végén a résztvevők képesek lesznek:

• A CloudMatrix-t használni modelcsomagolásra, telepítésre és szolgáltatásra.
• Modelkonvertálásra és optimalizálásra Ascend chipsetekhez.
• Valós idejű és csomagolt inferenciatételekhez pipeline-ok beállítására.
• Telepítések monitorozására és teljesítményhangolásra termelési környezetben.

A képzés formája

• Interaktív előadás és beszélgetés.
• CloudMatrix gyakorlati használata valós telepítési helyzetekkel.
• Konvertálásra, optimalizálásra és skalálásra összpontosító vezetett gyakorlatok.

A képzés testreszabási lehetőségei

• Kérjük, lépjen kapcsolatba velünk az AI infrastruktúrája vagy felhő környezete alapján testreszabott képzés megrendeléséhez.

A Huawei Ascend CANN eszköztára lehetővé teszi a hatékony AI-inferencinget szegélyeszközökön, mint például az Ascend 310. A CANN olyan alapvető eszközöket biztosít a modellök fordításához, optimalizálásához és telepítéséhez, ahol számítási kapacitás és memóriát korlátozva kell dolgozni.

Ez az oktatóvezetett, élő (online vagy előadások) képzés célközönsége azok a középfokú AI-fejlesztők és integrátorok, akik azt szeretnék, hogy modelleket telepítsenek és optimalizáljanak Ascend szegélyeszközökön a CANN eszközlánccal.

A képzés végén a résztvevők képesek lesznek:

• AI-modelleket készíteni és átalakítani Ascend 310-eszközök számára a CANN eszközök használatával.
• Könnyű inferencing-pipelinet építeni MindSpore Lite és AscendCL segítségével.
• Modellteljesítményt optimalizálni korlátozott számítási és memóriakapacitású környezetben.
• AI-alkalmazásokat telepíteni és monitorozni valós életbeli szegélyeszközökön.

A képzés formája

• Interaktív előadás és demonstráció.
• Szegélyeszközökön specifikus modellekkel és jelenetekkel kapcsolatos gyakorlati munkák.
• Virtuális vagy fizikai szegélyhardveren való élő telepítési példák.

A képzés testreszabási lehetőségei

• A képzés testreszabott változatának kérésére vegye fel velünk a kapcsolatot.

Ez az oktató által vezetett, élő képzés a Budapest-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 Budapest-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.

• Megérteni a CANN eszközkészlet célját és architektúráját.
• Beállítani a fejlesztői környezetet CANN-vel és MindSpore-rel.
• Átalakítani és telepíteni egy egyszerű AI-modellt Ascend hardverre.
• Alapvető tudást szerezni jövőbeli CANN optimalizálási vagy integrációs projektekhez.

• Interaktív előadás és beszélgetés.
• Gyakorló laborok egyszerű modell telepítéssel.
• A CANN eszközhálózat és integrációs pontok lépésről lépésre bemutatása.

• Testreszabott képzés kérésére keressük fel, hogy megbeszéljük.

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.

CANN SDK (Compute Architecture for Neural Networks) Huawei AI kiszámítási alapja, amely lehetővé teszi a fejlesztők számára, hogy finomítsák és optimalizálják a telepített neurális hálózatok teljesítményét Ascend AI processzorokon.

Ez az oktatóvezetett, élő (online vagy helyszínen) képzés az olyan előrehaladott szintű AI-fejlesztők és rendszerméregeknek szól, akik azt kívánják, hogy optimalizálják a CANN előrehaladott eszközkészletével az inferencia teljesítményét, beleértve a Graph Engine-t, a TIK-t és az egyedi operátorok fejlesztését.

Ezen képzés végére a résztvevők képesek lesznek:

• CANN futási architektúráját és teljesítményciklusát megérteni.
• Profilozási eszközöket és Graph Engine-t használni a teljesítmény elemzésére és optimalizálására.
• Egyedi operátorokat létrehozni és optimalizálni TIK és TVM segítségével.
• Memóriapárhuzamokat oldani és a modell átviteli sebességét növelni.

A képzés formája

• Interaktív előadás és beszélgetés.
• Valós idejű profilozással és operátor finomítással foglalkozó gyakorlati laborok.
• Szélsőséges telepítési példákkal történő optimalizálási gyakorlatok.

A képzés testreszabási lehetőségei

• Ez a képzés testreszabására kérjük, lépjen kapcsolatba velünk, hogy rendezzük.

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 Budapest-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.

CANN (Compute Architecture for Neural Networks) a Huawei AI számítási veremrendszere, amely lehetővé teszi az AI-modellek telepítését és optimalizálását Ascend AI-processzorokon.

Ez az oktató által vezetett, élő (online vagy helyszínen tartandó) képzés középszintű AI-fejlesztők és mérnökök számára szolgál, akik hatékonyan szeretnék telepíteni kiképzett AI-modelleket Huawei Ascend hardverre, használva a CANN eszköztárat és olyan eszközöket, mint a MindSpore, TensorFlow, vagy PyTorch.

Ezen képzés végén a résztvevők képesek lesznek:

• Megérteni a CANN architekturát és szerepét az AI-telepítési folyamatban.
• Átalakítani és adaptálni modelleket népszerű keretrendszerekből Ascend-hoz kompatibilis formátumokba.
• Használni az ATC, OM modellek konvertálásának és a MindSpore eszközeit perifériális és felhő-inferencia céljaira.
• Diagnosztizálni a telepítési problémákat és optimalizálni a teljesítményt Ascend hardveren.

A képzés formája

• Interaktív előadás és demonstráció.
• Gyakorlati labormunka CANN eszközökkel és Ascend szimulátorokkal vagy eszközökkel.
• Valós világbeli AI-modellek alapú praktikus telepítési jelenetek.

A képzés testreszabási lehetőségei

• Egy testreszabott képzés kérésére, kérjük, lépjen kapcsolatba velünk a megbeszéléshez.

A Biren AI gyorsítók magas teljesítményű GPUk, amelyeket az AI és HPC munkafolyamatok támogatására terveztek, nagy méretű tanulási és előrejelzési folyamatokat támogatva.

Ez az oktatóvezetett, élő (online vagy helyszíni) képzés középfokú és előhaladott szintű fejlesztőknek szánva, akik a Biren saját GPU stack segítségével akarnak programozni és optimalizálni alkalmazásokat, gyakorlati összehasonlításokkal a CUDA-alapú környezetekkel.

E képzés végén a résztvevők képesek lesznek:

• A Biren GPU architektúráját és memóriahierarchiáját megérteni.
• A fejlesztői környezet beállítására és a Biren programozási modell használatára.
• CUDA stílusú kódot Biren platformokra fordítani és optimalizálni.
• Teljesítmény finomítási és hibakeresési technikákat alkalmazni.

A képzés formája

• Interaktív előadás és beszélgetés.
• Biren SDK gyakorlati használata mintamunkafolyamatokban.
• Portolási és teljesítmény finomításra összpontosító vezetett gyakorlatok.

A képzés testreszabási lehetőségei

• Ha alkalmassági szempontból igényli az alkalmazási szoftver vagy integrációs igényei szerint testreszabott képzést, kérjük, lépjen kapcsolatba velünk, hogy rendezzük.

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 Budapest-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 a tanárvezetett, élő képzés Budapest (online vagy előadássorozatban) a kezdő és közepes szintű fejlesztőknek szánva, akik szeretnék használni a OpenCL-t különböző eszközök programozására és azok párhuzamosításának kihasználására.

A képzés végén a résztvevők képesek lesznek:

• Felállítani egy fejlesztői környezetet, amely tartalmazza a OpenCL SDK-t, egy OpenCL-t támogató eszközt, és a Visual Studio Code-t.
• Létrehozni egy alapvető OpenCL programot, amely végrehajtja a vektorösszeadás az eszközön és visszahozza az eredményeket az eszköz memóriájából.
• Használni a OpenCL API-t az eszköz információk lekérdezésére, kontextusok, parancskerek, bufferek, kernel-ek és események létrehozására.
• Használni a OpenCL C nyelvezetet a kernel-ek írásához, amelyek az eszközön futnak és adatokkal manipulálnak.
• Használni a OpenCL beépített funkcióit, kiterjesztéseit és könyvtárait a közönséges feladatok és műveletek végrehajtására.
• Használni a OpenCL hosztok és eszközök memóriamodelleit az adatátviteli és memóriaműveletek optimalizálására.
• Használni a OpenCL futtatási modellt a munkaelemek, munkacsoportok és ND-tartományok irányítására.
• Hibakeresni és tesztelni OpenCL programokat olyan eszközökkel, mint CodeXL, Intel VTune és NVIDIA Nsight.
• Optimalizálni OpenCL programokat vektorizálás, ciklusfelcsavarás, helyi memóriák és profilozás technikákkal.

Ez az oktató által vezetett, élő tanfolyam a Budapest-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 Budapest-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.