NVIDIA GPU Programming - Extended - Plan Szkolenia

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą używać ROCm i HIP do programowania procesorów AMD GPU i wykorzystywania ich równoległości.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Skonfigurować środowisko programistyczne, które obejmuje platformę ROCm, procesor AMD GPU i Visual Studio Code.
• Stworzyć podstawowy program ROCm, który wykonuje dodawanie wektorowe na GPU i pobiera wyniki z pamięci GPU.
• Użyj interfejsu API ROCm, aby zapytać o informacje o urządzeniu, przydzielić i zwolnić pamięć urządzenia, skopiować dane między hostem a urządzeniem, uruchomić jądra i zsynchronizować wątki.
• Używanie języka HIP do pisania jąder, które wykonują się na GPU i manipulują danymi.
• Używanie wbudowanych funkcji, zmiennych i bibliotek HIP do wykonywania typowych zadań i operacji.
• Używanie przestrzeni pamięci ROCm i HIP, takich jak globalna, współdzielona, stała i lokalna, w celu optymalizacji transferu danych i dostępu do pamięci.
• Używanie modeli wykonania ROCm i HIP do kontrolowania wątków, bloków i siatek, które definiują równoległość.
• Debugowanie i testowanie programów ROCm i HIP przy użyciu narzędzi takich jak ROCm Debugger i ROCm Profiler.
• Optymalizacja programów ROCm i HIP przy użyciu technik takich jak koalescencja, buforowanie, wstępne pobieranie i profilowanie.

This instructor-led, live training in Polsce (online or onsite) is aimed at beginner-level system administrators and IT professionals who wish to install, configure, manage, and troubleshoot CUDA environments.

By the end of this training, participants will be able to:

• Understand the architecture, components, and capabilities of CUDA.
• Install and configure CUDA environments.
• Manage and optimize CUDA resources.
• Debug and troubleshoot common CUDA issues.

Trening prowadzony przez instruktora na miejscu lub online (w zależności od lokalizacji) jest skierowany do programistów o średnim poziomie kwalifikacji, którzy chcą korzystać z CUDA do budowania aplikacji Python, które działają równolegle na kartach NVIDIA GPU.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Wykorzystywać kompilator Numba do przyspieszenia aplikacji Python działających na kartach NVIDIA GPU.
• Tworzyć, kompilować i uruchamiać niestandardowe jądra CUDA.
• Zarządzać pamięcią GPU.
• Przekształcić aplikację opartą na CPU w aplikację przyspieszoną przez GPU.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą nauczyć się podstaw programowania GPU oraz głównych frameworków i narzędzi do tworzenia aplikacji GPU.

• Pod koniec tego szkolenia uczestnicy będą w stanie
  Zrozumieć różnicę między procesorem a GPU obliczeniowym oraz korzyści i wyzwania związane z programowaniem GPU.
• Wybrać odpowiedni framework i narzędzie dla swojej aplikacji GPU.
• Stworzyć podstawowy program GPU, który wykonuje dodawanie wektorowe przy użyciu jednego lub więcej frameworków i narzędzi.
• Korzystanie z odpowiednich interfejsów API, języków i bibliotek w celu wyszukiwania informacji o urządzeniu, przydzielania i zwalniania pamięci urządzenia, kopiowania danych między hostem a urządzeniem, uruchamiania jądra i synchronizowania wątków.
• Korzystanie z odpowiednich przestrzeni pamięci, takich jak globalna, lokalna, stała i prywatna, w celu optymalizacji transferu danych i dostępu do pamięci.
• Korzystanie z odpowiednich modeli wykonania, takich jak elementy robocze, grupy robocze, wątki, bloki i siatki, w celu kontrolowania równoległości.
• Debugowanie i testowanie programów GPU przy użyciu narzędzi takich jak CodeXL, CUDA-GDB, CUDA-MEMCHECK i NVIDIA Nsight.
• Optymalizacja programów GPU przy użyciu technik takich jak koalescencja, buforowanie, prefetching i profilowanie.

To prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą używać CUDA do programowania układów NVIDIA GPU i wykorzystywania ich równoległości.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Skonfigurować środowisko programistyczne zawierające CUDA Toolkit, układ NVIDIA GPU i Visual Studio Code.
• Stworzyć podstawowy program CUDA, który wykonuje dodawanie wektorowe na GPU i pobiera wyniki z pamięci GPU.
• Użyj interfejsu API CUDA do wyszukiwania informacji o urządzeniu, przydzielania i zwalniania pamięci urządzenia, kopiowania danych między hostem a urządzeniem, uruchamiania jądra i synchronizowania wątków.
• Używanie języka CUDA C/C++ do pisania jąder, które wykonują się na GPU i manipulują danymi.
• Używanie wbudowanych funkcji, zmiennych i bibliotek CUDA do wykonywania typowych zadań i operacji.
• Korzystanie z przestrzeni pamięci CUDA, takich jak globalna, współdzielona, stała i lokalna, w celu optymalizacji transferu danych i dostępu do pamięci.
• Używanie modelu wykonania CUDA do kontrolowania wątków, bloków i siatek, które definiują równoległość.
• Debugowanie i testowanie programów CUDA przy użyciu narzędzi takich jak CUDA-GDB, CUDA-MEMCHECK i NVIDIA Nsight.
• Optymalizować programy CUDA przy użyciu takich technik jak koalescencja, buforowanie, prefetching i profilowanie.

97% zadowolonych klientów.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą używać OpenACC do programowania heterogenicznych urządzeń i wykorzystywania ich równoległości.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Skonfigurować środowisko programistyczne, które obejmuje OpenACC SDK, urządzenie obsługujące OpenACC i Visual Studio Code.
• Utworzyć podstawowy program OpenACC, który wykonuje dodawanie wektorowe na urządzeniu i pobiera wyniki z pamięci urządzenia.
• Użyj dyrektyw i klauzul OpenACC, aby dodać adnotacje do kodu i określić regiony równoległe, ruch danych i opcje optymalizacji.
• Używanie interfejsu API OpenACC do odpytywania informacji o urządzeniu, ustawiania numeru urządzenia, obsługi błędów i synchronizacji zdarzeń.
• Korzystanie z bibliotek OpenACC i funkcji interoperacyjności w celu integracji OpenACC z innymi modelami programowania, takimi jak CUDA, OpenMP i MPI.
• Używanie narzędzi OpenACC do profilowania i debugowania programów OpenACC oraz identyfikowania wąskich gardeł i możliwości związanych z wydajnością.
• Optymalizacja programów OpenACC przy użyciu technik takich jak lokalność danych, fuzja pętli, fuzja jądra i automatyczne dostrajanie.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą używać OpenCL do programowania heterogenicznych urządzeń i wykorzystywania ich równoległości.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Skonfigurować środowisko programistyczne obejmujące OpenCL SDK, urządzenie obsługujące OpenCL i Visual Studio Code.
• Utworzyć podstawowy OpenCL program, który wykonuje dodawanie wektorowe na urządzeniu i pobiera wyniki z pamięci urządzenia.
• Użyj OpenCL API, aby zapytać o informacje o urządzeniu, utworzyć konteksty, kolejki poleceń, bufory, jądra i zdarzenia.
• Używanie OpenCL języka C do pisania jąder, które wykonują się na urządzeniu i manipulują danymi.
• Używanie OpenCL wbudowanych funkcji, rozszerzeń i bibliotek do wykonywania typowych zadań i operacji.
• Korzystanie z OpenCL modeli pamięci hosta i urządzenia w celu optymalizacji transferów danych i dostępu do pamięci.
• Używanie OpenCL modelu wykonania do kontrolowania elementów roboczych, grup roboczych i zakresów ND.
• Debugowanie i testowanie programów OpenCL przy użyciu narzędzi takich jak CodeXL, Intel VTune i NVIDIA Nsight.
• Optymalizacja programów OpenCL przy użyciu technik takich jak wektoryzacja, rozwijanie pętli, pamięć lokalna i profilowanie.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą korzystać z różnych frameworków do programowania GPU i porównywać ich funkcje, wydajność i kompatybilność.

Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować środowisko programistyczne, które obejmuje OpenCL SDK, CUDA Toolkit, platformę ROCm, urządzenie obsługujące OpenCL, CUDA lub ROCm oraz Visual Studio kod.
• Utwórz podstawowy program GPU, który wykonuje dodawanie wektorowe przy użyciu OpenCL, CUDA i ROCm oraz porównaj składnię, strukturę i wykonanie każdego z frameworków.
• Użyj odpowiednich interfejsów API do wyszukiwania informacji o urządzeniu, przydzielania i zwalniania pamięci urządzenia, kopiowania danych między hostem a urządzeniem, uruchamiania jądra i synchronizowania wątków.
• Używanie odpowiednich języków do pisania jąder, które wykonują się na urządzeniu i manipulują danymi.
• Używanie odpowiednich wbudowanych funkcji, zmiennych i bibliotek do wykonywania typowych zadań i operacji.
• Korzystanie z odpowiednich przestrzeni pamięci, takich jak globalna, lokalna, stała i prywatna, w celu optymalizacji transferu danych i dostępu do pamięci.
• Używanie odpowiednich modeli wykonania do kontrolowania wątków, bloków i siatek, które definiują równoległość.
• Debugowanie i testowanie programów GPU przy użyciu narzędzi takich jak CodeXL, CUDA-GDB, CUDA-MEMCHECK i NVIDIA Nsight.
• Optymalizować programy GPU przy użyciu technik takich jak koalescencja, buforowanie, prefetching i profilowanie.

Szkolenie na żywo prowadzone przez instruktora w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą zainstalować i używać ROCm w systemie Windows do programowania procesorów AMD GPU i wykorzystywania ich równoległości.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Skonfigurować środowisko programistyczne, które obejmuje platformę ROCm, procesor AMD GPU i Visual Studio Code w systemie Windows.
• Stworzyć podstawowy program ROCm, który wykonuje dodawanie wektorowe na GPU i pobiera wyniki z pamięci GPU.
• Użyj interfejsu API ROCm, aby uzyskać informacje o urządzeniu, przydzielić i zwolnić pamięć urządzenia, skopiować dane między hostem a urządzeniem, uruchomić jądra i zsynchronizować wątki.
• Używanie języka HIP do pisania jąder, które wykonują się na GPU i manipulują danymi.
• Używanie wbudowanych funkcji, zmiennych i bibliotek HIP do wykonywania typowych zadań i operacji.
• Używanie przestrzeni pamięci ROCm i HIP, takich jak globalna, współdzielona, stała i lokalna, w celu optymalizacji transferu danych i dostępu do pamięci.
• Używanie modeli wykonania ROCm i HIP do kontrolowania wątków, bloków i siatek, które definiują równoległość.
• Debugowanie i testowanie programów ROCm i HIP przy użyciu narzędzi takich jak ROCm Debugger i ROCm Profiler.
• Optymalizacja programów ROCm i HIP przy użyciu technik takich jak koalescencja, buforowanie, wstępne pobieranie i profilowanie.