GPU Programming - OpenCL vs CUDA vs ROCm Počítačový Kurz

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří chtějí používat ROCm a HIP k programování AMD GPU a využívat jejich paralelismus.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které zahrnuje platformu ROCm, kód AMD GPU a Visual Studio.
• Vytvořte základní program ROCm, který provede sčítání vektorů na GPU a načte výsledky z paměti GPU.
• Použijte ROCm API k dotazování na informace o zařízení, alokaci a uvolnění paměti zařízení, kopírování dat mezi hostitelem a zařízením, spouštění jader a synchronizaci vláken.
• Použijte jazyk HIP k zápisu jader, která se spouštějí na GPU a manipulují s daty.
• K provádění běžných úloh a operací použijte vestavěné funkce, proměnné a knihovny HIP.
• Používejte paměťové prostory ROCm a HIP, jako jsou globální, sdílené, konstantní a místní, k optimalizaci datových přenosů a přístupů k paměti.
• Pomocí modelů provádění ROCm a HIP můžete ovládat vlákna, bloky a mřížky, které definují paralelismus.
• Ladění a testování programů ROCm a HIP pomocí nástrojů jako ROCm Debugger a ROCm Profiler.
• Optimalizujte programy ROCm a HIP pomocí technik, jako je slučování, ukládání do mezipaměti, předběžné načítání a profilování.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začínající systémové administrátory a IT profesionály, kteří chtějí instalovat, konfigurovat, spravovat a odstraňovat problémy s prostředími CUDA.

Na konci tohoto školení budou účastníci schopni:

• Pochopte architekturu, komponenty a možnosti CUDA.
• Nainstalujte a nakonfigurujte prostředí CUDA.
• Spravujte a optimalizujte zdroje CUDA.
• Ladění a odstraňování běžných problémů CUDA.

Toto školení vedené instruktorem (online nebo na místě) je určeno středně pokročilým vývojářům, kteří chtějí použít CUDA ke vytváření Python aplikací, které běží paralelně na zařízeních NVIDIA GPU.

Na konci tohoto školení budou účastníci schopni:

• Využívat kompilátor Numba k urychlení Python aplikací běžících na NVIDIA GPU.
• Vytvářet, kompilovat a spouštět vlastní CUDA jádra.
• Spravovat paměť GPU.
• Převést aplikaci založenou na CPU do aplikace zrychlené pomocí GPU.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří se chtějí naučit základy programování GPU a hlavní rámce a nástroje pro vývoj aplikací GPU. .

• Na konci tohoto školení budou účastníci schopni:
  Pochopte rozdíl mezi CPU a GPU computingem a výhody a výzvy programování GPU.
• Vyberte si správný rámec a nástroj pro jejich GPU aplikaci.
• Vytvořte základní GPU program, který provádí přidávání vektorů pomocí jednoho nebo více rámců a nástrojů.
• Použijte příslušná rozhraní API, jazyky a knihovny k dotazování na informace o zařízení, alokaci a uvolnění paměti zařízení, kopírování dat mezi hostitelem a zařízením, spouštění jader a synchronizaci vláken.
• Použijte příslušné paměťové prostory, jako je globální, místní, konstantní a soukromý, k optimalizaci datových přenosů a přístupů do paměti.
• K řízení paralelismu použijte příslušné modely provádění, jako jsou pracovní položky, pracovní skupiny, vlákna, bloky a mřížky.
• Ladění a testování GPU programů pomocí nástrojů jako CodeXL, CUDA-GDB, CUDA-MEMCHECK a NVIDIA Nsight.
• Optimalizujte GPU programy pomocí technik, jako je slučování, ukládání do mezipaměti, předběžné načítání a profilování.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří chtějí používat CUDA k programování NVIDIA GPU a využívat jejich paralelismus.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které obsahuje sadu nástrojů CUDA, kód NVIDIA GPU a Visual Studio.
• Vytvořte základní CUDA program, který provede sčítání vektorů na GPU a načte výsledky z paměti GPU.
• Použijte CUDA API k dotazování na informace o zařízení, alokaci a uvolnění paměti zařízení, kopírování dat mezi hostitelem a zařízením, spouštění jader a synchronizaci vláken.
• Použijte jazyk CUDA C/C++ k zápisu jader, která se spouštějí na GPU a manipulují s daty.
• K provádění běžných úloh a operací používejte vestavěné funkce, proměnné a knihovny CUDA.
• Použijte paměťové prostory CUDA, jako jsou globální, sdílené, konstantní a místní, k optimalizaci datových přenosů a přístupů k paměti.
• Použijte prováděcí model CUDA k řízení vláken, bloků a mřížek, které definují rovnoběžnost.
• Ladění a testování programů CUDA pomocí nástrojů jako CUDA-GDB, CUDA-MEMCHECK a NVIDIA Nsight.
• Optimalizujte programy CUDA pomocí technik, jako je slučování, ukládání do mezipaměti, předběžné načítání a profilování.

97 % klientů je spokojeno.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří chtějí používat OpenACC k programování heterogenních zařízení a využívat jejich paralelismus.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které obsahuje OpenACC SDK, zařízení podporující OpenACC a Visual Studio Code.
• Vytvořte základní program OpenACC, který provede přidání vektoru na zařízení a načte výsledky z paměti zařízení.
• Použijte direktivy a klauzule OpenACC k anotaci kódu a určete paralelní oblasti, přesun dat a možnosti optimalizace.
• Použijte OpenACC API k dotazování na informace o zařízení, nastavení čísla zařízení, zpracování chyb a synchronizaci událostí.
• Použijte knihovny OpenACC a funkce interoperability k integraci OpenACC s jinými programovacími modely, jako je CUDA, OpenMP a MPI.
• Pomocí nástrojů OpenACC můžete profilovat a ladit programy OpenACC a identifikovat úzká místa výkonu a příležitosti.
• Optimalizujte programy OpenACC pomocí technik, jako je umístění dat, fúze smyček, fúze jádra a automatické ladění.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří chtějí používat OpenCL k programování heterogenních zařízení a využívat jejich paralelismus.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které obsahuje OpenCL SDK, zařízení podporující OpenCL a Visual Studio kód.
• Vytvořte základní OpenCL program, který provede sčítání vektorů na zařízení a načte výsledky z paměti zařízení.
• Použijte OpenCL API k dotazování na informace o zařízení, vytváření kontextů, příkazových front, vyrovnávacích pamětí, jader a událostí.
• Jazyk OpenCL C použijte k zápisu jader, která se spouštějí na zařízení a manipulují s daty.
• K provádění běžných úloh a operací použijte OpenCL vestavěné funkce, rozšíření a knihovny.
• Použijte OpenCL modely paměti hostitele a zařízení k optimalizaci přenosů dat a přístupu k paměti.
• Použijte prováděcí model OpenCL k řízení pracovních položek, pracovních skupin a rozsahů ND.
• Ladění a testování OpenCL programů pomocí nástrojů jako CodeXL, Intel VTune a NVIDIA Nsight.
• Optimalizujte OpenCL programy pomocí technik, jako je vektorizace, rozbalování smyček, lokální paměť a profilování.

Tento instruktorem vedený živý výukový kurz v České republice popisuje, jak programovat GPU pro paralelní výpočty, jak používat různé platformy, jak pracovat s platformou CUDA a jejími funkcemi a jak pomocí CUDA provádět různé optimalizační techniky. . Některé z aplikací zahrnují hluboké učení, analýzy, zpracování obrazu a inženýrské aplikace.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří chtějí nainstalovat a používat ROCm ve Windows k programování AMD GPU a využívat jejich paralelismus.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které obsahuje ROCm Platform, AMD GPU a Visual Studio kód na Windows.
• Vytvořte základní program ROCm, který provede sčítání vektorů na GPU a načte výsledky z paměti GPU.
• Použijte ROCm API k dotazování na informace o zařízení, alokaci a uvolnění paměti zařízení, kopírování dat mezi hostitelem a zařízením, spouštění jader a synchronizaci vláken.
• Použijte jazyk HIP k zápisu jader, která se spouštějí na GPU a manipulují s daty.
• K provádění běžných úloh a operací použijte vestavěné funkce, proměnné a knihovny HIP.
• Používejte paměťové prostory ROCm a HIP, jako jsou globální, sdílené, konstantní a místní, k optimalizaci datových přenosů a přístupů k paměti.
• Pomocí modelů provádění ROCm a HIP můžete ovládat vlákna, bloky a mřížky, které definují paralelismus.
• Ladění a testování programů ROCm a HIP pomocí nástrojů jako ROCm Debugger a ROCm Profiler.
• Optimalizujte programy ROCm a HIP pomocí technik, jako je slučování, ukládání do mezipaměti, předběžné načítání a profilování.