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 is Huawei’s unified AI development and deployment platform designed to support scalable, production-grade inference pipelines.

This instructor-led, live training (online or onsite) is aimed at beginner-level to intermediate-level AI professionals who wish to deploy and monitor AI models using the CloudMatrix platform with CANN and MindSpore integration.

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

• Use CloudMatrix for model packaging, deployment, and serving.
• Convert and optimize models for Ascend chipsets.
• Set up pipelines for real-time and batch inference tasks.
• Monitor deployments and tune performance in production settings.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of CloudMatrix with real deployment scenarios.
• Guided exercises focused on conversion, optimization, and scaling.

Course Customization Options

• To request a customized training for this course based on your AI infrastructure or cloud environment, 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 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 are high-performance GPUs designed for AI and HPC workloads with support for large-scale training and inference.

This instructor-led, live training (online or onsite) is aimed at intermediate-level to advanced-level developers who wish to program and optimize applications using Biren’s proprietary GPU stack, with practical comparisons to CUDA-based environments.

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

• Understand Biren GPU architecture and memory hierarchy.
• Set up the development environment and use Biren’s programming model.
• Translate and optimize CUDA-style code for Biren platforms.
• Apply performance tuning and debugging techniques.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of Biren SDK in sample GPU workloads.
• Guided exercises focused on porting and performance tuning.

Course Customization Options

• To request a customized training for this course based on your application stack or integration needs, please contact us to arrange.

Cambricon MLUs (Machine Learning Units) are specialized AI chips optimized for inference and training in edge and datacenter scenarios.

This instructor-led, live training (online or onsite) is aimed at intermediate-level developers who wish to build and deploy AI models using the BANGPy framework and Neuware SDK on Cambricon MLU hardware.

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

• Set up and configure the BANGPy and Neuware development environments.
• Develop and optimize Python- and C++-based models for Cambricon MLUs.
• Deploy models to edge and data center devices running Neuware runtime.
• Integrate ML workflows with MLU-specific acceleration features.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of BANGPy and Neuware for development and deployment.
• Guided exercises focused on optimization, integration, and testing.

Course Customization Options

• To request a customized training for this course based on your Cambricon device model or use case, please contact us to arrange.

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.