GPU Programming with OpenCL Képzés

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.

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 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 (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) 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.

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 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.