GPU Školení v České republice

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 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 různé rámce pro programování GPU a porovnávat jejich funkce, výkon a kompatibilitu.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které obsahuje OpenCL SDK, CUDA Toolkit, ROCm Platform, zařízení, které podporuje OpenCL, CUDA nebo ROCm, a Visual Studio kód.
• Vytvořte základní GPU program, který provádí přidávání vektorů pomocí OpenCL, CUDA a ROCm, a porovnejte syntaxi, strukturu a provedení každého rámce.
• Použijte příslušná rozhraní API k dotazování na informace o zařízení, alokaci a uvolnění paměti zařízení, kopírování dat mezi hostitelem a zařízením, spouštění jader a synchronizaci vláken.
• Použijte příslušné jazyky k zápisu jader, která se spouštějí na zařízení a manipulují s daty.
• K provádění běžných úloh a operací použijte příslušné vestavěné funkce, proměnné a knihovny.
• Použijte příslušné paměťové prostory, jako je globální, místní, konstantní a soukromý, k optimalizaci datových přenosů a přístupů do paměti.
• Použijte příslušné modely provádění k řízení vláken, bloků a mřížek, které definují rovnoběžnost.
• 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.

CloudMatrix je unifikovaná platforma pro vývoj a nasazení AI od Huawei, navržená tak, aby podporovala škálovatelné a produkční úrovně inferenčních potrubí.

Tato instruktážní živá tréninková část (online nebo na místě) je určena pro začínající a středně pokročilé profesionály v oblasti AI, kteří chtějí nasadit a monitorovat modely AI pomocí platformy CloudMatrix s integrací CANN a MindSpore.

Koncem tohoto tréninku budou účastníci schopni:

• Používat CloudMatrix pro balení, nasazování a poskytování modelů.
• Převádět a optimalizovat modely pro čipsety Ascend.
• Nastavovat potrubí pro reálné časové a dávkové úlohy inferencí.
• Monitorovat nasazení a ladit výkon ve produkčních nastaveních.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Vlastnoruční použití CloudMatrix s reálnými nasazovacími scénáři.
• Správně vedené cvičení zaměřené na převod, optimalizaci a škálování.

Možnosti individualizace kurzu

• Pro žádost o individualizovaný trénink tohoto kurzu podle vaší AI infrastruktury nebo cloudového prostředí nás kontaktujte pro dohodu.

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.

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.

Ascend, Biren, and Cambricon are leading AI hardware platforms in China, each offering unique acceleration and profiling tools for production-scale AI workloads.

This instructor-led, live training (online or onsite) is aimed at advanced-level AI infrastructure and performance engineers who wish to optimize model inference and training workflows across multiple Chinese AI chip platforms.

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

• Benchmark models on Ascend, Biren, and Cambricon platforms.
• Identify system bottlenecks and memory/compute inefficiencies.
• Apply graph-level, kernel-level, and operator-level optimizations.
• Tune deployment pipelines to improve throughput and latency.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of profiling and optimization tools on each platform.
• Guided exercises focused on practical tuning scenarios.

Course Customization Options

• To request a customized training for this course based on your performance environment or model type, please contact us to arrange.

Chinese GPU architectures such as Huawei Ascend, Biren, and Cambricon MLUs offer CUDA alternatives tailored for local AI and HPC markets.

This instructor-led, live training (online or onsite) is aimed at advanced-level GPU programmers and infrastructure specialists who wish to migrate and optimize existing CUDA applications for deployment on Chinese hardware platforms.

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

• Evaluate compatibility of existing CUDA workloads with Chinese chip alternatives.
• Port CUDA codebases to Huawei CANN, Biren SDK, and Cambricon BANGPy environments.
• Compare performance and identify optimization points across platforms.
• Address practical challenges in cross-architecture support and deployment.

Format of the Course

• Interactive lecture and discussion.
• Hands-on code translation and performance comparison labs.
• Guided exercises focused on multi-GPU adaptation strategies.

Course Customization Options

• To request a customized training for this course based on your platform or CUDA project, please contact us to arrange.

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.

Huawei Ascend je rodina AI procesorů navržená pro vysokorychlostní inferenci a trénování.

Tento instruktorově řízený živý kurz (online nebo na místě) je určen středně pokročilým AI inženýrům a datovým vědcům, kteří chtějí vyvíjet a optimalizovat neuronové sítě pomocí platformy Huawei Ascend a nástroje CANN.

Koncem tohoto kurzu budou účastníci schopni:

• Nastavit a konfigurovat vývojové prostředí pro CANN.
• Vytvářet AI aplikace pomocí MindSpore a pracovních postupů CloudMatrix.
• Optimalizovat výkon na Ascend NPU pomocí vlastních operátorů a tilingu.
• Nasazovat modely do okrajových nebo cloudových prostředí.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Ruční použití Huawei Ascend a nástroje CANN v ukázkových aplikacích.
• Vedené cvičení zaměřené na sestavování, trénování a nasazování modelů.

Možnosti individualizace kurzu

• Pro žádost o individualizovaný kurz založený na vašem zařízení nebo datech, kontaktujte nás pro uspořádání.

Biren AI Accelerators jsou vysokorychlostní GPUy navržené pro AI a HPC úlohy s podporou pro velkokapacitní školení a inferenci.

Tato instruktážní, živá školení (online nebo na místě) je určeno středně pokročilým a pokročilým vývojářům, kteří chtějí programovat a optimalizovat aplikace pomocí proprietního GPU stacku Biren, s praktickými porovnáními CUDA založených prostředí.

Koncem tohoto školení budou účastníci schopni:

• Pochopit architekturu a paměťové hierarchie Biren GPU.
• Nastavit vývojové prostředí a používat programovací model Biren.
• Přeložit a optimalizovat CUDA styl kód pro platformy Biren.
• Aplikovat techniky optimalizace výkonu a ladění.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Ruce-v-hře použití Biren SDK ve vzorových GPU úlohách.
• Správně naváděné cvičení zaměřené na portování a optimalizaci výkonu.

Možnosti přizpůsobení kurzu

• Pro žádost o individualizované školení tohoto kurzu podle vašeho aplikacního stacku nebo potřeb integrace, kontaktujte nás pro dohodu.

Cambricon MLUs (Machine Learning jednotek) jsou specializované AI čipy optimalizované pro inferenci a trénování v scénářích na okraji a ve datacenterch.

Tento instruktorův živý kurz (online nebo na místě) je určen středně pokročilým vývojářům, kteří chtějí vyvíjet a nasazovat AI modely pomocí frameworku BANGPy a SDK Neuware na hardwaru Cambricon MLU.

Koncem tohoto kurzu budou účastníci schopni:

• Nastavit a nakonfigurovat vývojové prostředí pro BANGPy a Neuware.
• Vytvářet a optimalizovat modely založené na Python a C++ pro Cambricon MLU.
• Nasazovat modely do zařízení na okraji a ve datacenterch s běhícím runtimeem Neuware.
• Integrovat pracovní postupy ML se specifickými akcelerovanými funkcemi MLU.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Ruční použití BANGPy a Neuware pro vývoj a nasazení.
• Vedené cvičení zaměřené na optimalizaci, integraci a testování.

Možnosti přizpůsobení kurzu

• Pro žádost o přizpůsobený kurz založený na vašem modelu zařízení Cambricon nebo konkrétním případu použití, kontaktujte nás pro dohodu.

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 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.

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.

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.