GPU Programming with OpenACC Schulung

Diese von einem Kursleiter geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die ROCm und HIP zur Programmierung von AMD GPUs und zur Ausnutzung ihrer Parallelität verwenden möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Eine Entwicklungsumgebung einzurichten, die die ROCm-Plattform, einen AMD GPU- und Visual Studio-Code enthält.
• Ein grundlegendes ROCm-Programm erstellen, das eine Vektoraddition auf dem GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Verwenden Sie die ROCm-API, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• HIP-Sprache verwenden, um Kernel zu schreiben, die auf GPU ausgeführt werden und Daten manipulieren.
• Verwendung der in HIP integrierten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen auszuführen.
• Verwendung von ROCm- und HIP-Speicherbereichen, wie z. B. global, gemeinsam genutzt, konstant und lokal, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwendung von ROCm- und HIP-Ausführungsmodellen zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren.
• Debuggen und Testen von ROCm- und HIP-Programmen mit Werkzeugen wie dem ROCm Debugger und dem ROCm Profiler.
• Optimieren von ROCm- und HIP-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Systemadministratoren und IT-Experten, die CUDA-Umgebungen installieren, konfigurieren, verwalten und Fehler beheben möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• die Architektur, die Komponenten und die Fähigkeiten von CUDA zu verstehen.
• CUDA Umgebungen zu installieren und zu konfigurieren.
• CUDA-Ressourcen zu verwalten und zu optimieren.
• Häufige CUDA Probleme zu debuggen und zu beheben.

Dieser von einem Trainer geführte Live-Kurs in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, die CUDA verwenden möchten, um Python-Anwendungen zu erstellen, die parallel auf NVIDIA-GPUs laufen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Den Numba-Compiler verwenden, um Python-Anwendungen zu beschleunigen, die auf NVIDIA GPUs ausgeführt werden.
• Benutzerdefinierte CUDA-Kernel erstellen, kompilieren und starten.
• GPU-Speicher verwalten.
• Eine CPU-basierte Anwendung in eine GPU-beschleunigte Anwendung konvertieren.

Diese von einem Kursleiter geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die die Grundlagen der GPU-Programmierung sowie die wichtigsten Frameworks und Tools für die Entwicklung von GPU-Anwendungen erlernen möchten.

• Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
  den Unterschied zwischen CPU- und GPU-Computing sowie die Vorteile und Herausforderungen der GPU-Programmierung zu verstehen.
• Das richtige Framework und Tool für ihre GPU-Anwendung auswählen.
• ein grundlegendes GPU-Programm zu erstellen, das eine Vektoraddition mit einem oder mehreren der Frameworks und Tools durchführt.
• Verwenden Sie die entsprechenden APIs, Sprachen und Bibliotheken, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• Verwendung der jeweiligen Speicherbereiche, wie z. B. global, lokal, konstant und privat, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwendung der jeweiligen Ausführungsmodelle, wie Work-Items, Work-Groups, Threads, Blöcke und Grids, um die Parallelität zu steuern.
• Debuggen und Testen von GPU-Programmen mit Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight.
• Optimieren von GPU-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die CUDA zur Programmierung von NVIDIA GPU-Systemen und zur Ausnutzung ihrer Parallelität verwenden möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Eine Entwicklungsumgebung einrichten, die das CUDA Toolkit, einen NVIDIA GPU- und Visual Studio-Code enthält.
• Ein grundlegendes CUDA Programm erstellen, das eine Vektoraddition auf dem GPU durchführt und die Ergebnisse aus dem GPU Speicher abruft.
• Verwenden Sie die CUDA API, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• Verwendung der Sprache CUDA C/C++ zum Schreiben von Kernels, die auf dem GPU ausgeführt werden und Daten manipulieren.
• Verwendung der in CUDA integrierten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen durchzuführen.
• Verwendung von CUDA-Speicherbereichen, wie z. B. global, gemeinsam genutzt, konstant und lokal, zur Optimierung von Datenübertragungen und Speicherzugriffen.
• Verwendung des CUDA-Ausführungsmodells zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren.
• Debuggen und Testen von CUDA Programmen mit Tools wie CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight.
• Optimieren Sie CUDA Programme mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

97% der Kunden sind zufrieden.

Diese von einem Kursleiter geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die OpenCL zur Programmierung heterogener Geräte und zur Nutzung ihrer Parallelität verwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Eine Entwicklungsumgebung einrichten, die das OpenCL SDK, ein Gerät, das OpenCL unterstützt, und Visual Studio Code enthält.
• Ein grundlegendes OpenCL-Programm erstellen, das eine Vektoraddition auf dem Gerät durchführt und die Ergebnisse aus dem Gerätespeicher abruft.
• Verwenden Sie OpenCL API, um Geräteinformationen abzufragen, Kontexte, Befehlswarteschlangen, Puffer, Kernel und Ereignisse zu erstellen.
• Verwendung der Sprache OpenCL C, um Kernel zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Verwendung von OpenCL eingebauten Funktionen, Erweiterungen und Bibliotheken, um allgemeine Aufgaben und Operationen durchzuführen.
• Verwendung von OpenCL Host- und Gerätespeichermodellen zur Optimierung von Datenübertragungen und Speicherzugriffen.
• Verwendung des OpenCL-Ausführungsmodells zur Steuerung der Work-Items, Work-Groups und ND-Ranges.
• Debuggen und Testen von OpenCL-Programmen mit Tools wie CodeXL, Intel VTune und NVIDIA Nsight.
• Optimieren von OpenCL-Programmen mit Techniken wie Vektorisierung, Schleifenabwicklung, lokalem Speicher und Profiling.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die verschiedene Frameworks für die GPU-Programmierung verwenden und deren Funktionen, Leistung und Kompatibilität vergleichen möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Eine Entwicklungsumgebung einzurichten, die OpenCL SDK, CUDA Toolkit, ROCm Platform, ein Gerät, das OpenCL, CUDA oder ROCm unterstützt, und Visual Studio Code umfasst.
• Erstellen Sie ein grundlegendes GPU-Programm, das eine Vektoraddition mit OpenCL, CUDA und ROCm durchführt, und vergleichen Sie die Syntax, die Struktur und die Ausführung jedes Frameworks.
• Verwenden Sie die jeweiligen APIs, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• Verwenden Sie die jeweiligen Sprachen, um Kernel zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Verwenden Sie die jeweiligen eingebauten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen durchzuführen.
• Verwenden Sie die jeweiligen Speicherbereiche, wie z. B. global, lokal, konstant und privat, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwenden Sie die jeweiligen Ausführungsmodelle, um die Threads, Blöcke und Grids zu steuern, die die Parallelität definieren.
• Debuggen und Testen von GPU-Programmen mit Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight.
• Optimieren von GPU-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

Dieser von einem Ausbilder geleitete Live-Schulungskurs in Schweiz deckt ab, wie man GPUs für paralleles Rechnen programmiert, wie man verschiedene Plattformen verwendet, wie man mit der CUDA-Plattform und ihren Funktionen arbeitet und wie man verschiedene Optimierungstechniken mit CUDA durchführt. Einige der Anwendungen umfassen Deep Learning, Analytik, Bildverarbeitung und technische Anwendungen.

Diese von einem Kursleiter geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die ROCm unter Windows installieren und verwenden möchten, um AMD GPUs zu programmieren und deren Parallelität auszunutzen.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Eine Entwicklungsumgebung einzurichten, die die ROCm-Plattform, einen AMD GPU und Visual Studio Code unter Windows enthält.
• ein grundlegendes ROCm-Programm zu erstellen, das eine Vektoraddition auf dem GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Verwenden Sie die ROCm-API, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• HIP-Sprache verwenden, um Kernel zu schreiben, die auf GPU ausgeführt werden und Daten manipulieren.
• Verwendung der in HIP integrierten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen auszuführen.
• Verwendung von ROCm- und HIP-Speicherbereichen, wie z. B. global, gemeinsam genutzt, konstant und lokal, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwendung von ROCm- und HIP-Ausführungsmodellen zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren.
• Debuggen und Testen von ROCm- und HIP-Programmen mit Werkzeugen wie dem ROCm Debugger und dem ROCm Profiler.
• Optimieren von ROCm- und HIP-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.