AMD GPU Programming Training Course

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε αρχάριους διαχειριστές συστημάτων και επαγγελματίες πληροφορικής που επιθυμούν να εγκαταστήσουν, να διαμορφώσουν, να διαχειριστούν και να αντιμετωπίσουν τα περιβάλλοντα CUDA.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε την αρχιτεκτονική, τα στοιχεία και τις δυνατότητες του CUDA.
• Εγκαταστήστε και διαμορφώστε περιβάλλοντα CUDA.
• Διαχειριστείτε και βελτιστοποιήστε τους πόρους CUDA.
• Εντοπισμός σφαλμάτων και αντιμετώπιση κοινών προβλημάτων CUDA.

Αυτή η ζωντανή διάλεξη υπό την ηγεσία εκπαιδευτή στο Ελλάδα (διαπειρατικά ή προσωπικά) προορίζεται για μεσαίου επιπέδου αναπτυξτές που θέλουν να χρησιμοποιήσουν το CUDA για να δημιουργήσουν εφαρμογές Python που λειτουργούν πα Parrάλληλα σε καρτές NVIDIA GPU.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να χρησιμοποιούν τον μεταγλωττιστή Numba για να επιταχύνουν Python εφαρμογές που εκτελούνται σε NVIDIA GPU.
• Να δημιουργούν, να μεταγλωττίζουν και να εκκινούν προσαρμοσμένους πυρήνες CUDA.
• Να διαχειρίζονται τη μνήμη GPU.
• Να μετατρέπουν μια εφαρμογή βασισμένη σε CPU σε μια εφαρμογή επιταχυνόμενη από GPU.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να μάθουν τα βασικά του προγραμματισμού GPU και τα κύρια πλαίσια και εργαλεία για την ανάπτυξη GPU εφαρμογών .

• Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
  Κατανοήστε τη διαφορά μεταξύ CPU και GPU υπολογιστών και τα οφέλη και τις προκλήσεις του προγραμματισμού GPU.
• Επιλέξτε το σωστό πλαίσιο και εργαλείο για την εφαρμογή GPU τους.
• Δημιουργήστε ένα βασικό πρόγραμμα GPU που εκτελεί πρόσθεση διανυσμάτων χρησιμοποιώντας ένα ή περισσότερα από τα πλαίσια και τα εργαλεία.
• Χρησιμοποιήστε τα αντίστοιχα API, γλώσσες και βιβλιοθήκες για να αναζητήσετε πληροφορίες συσκευής, να εκχωρήσετε και να εκχωρήσετε μνήμη συσκευής, να αντιγράψετε δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινήσετε πυρήνες και να συγχρονίσετε νήματα.
• Χρησιμοποιήστε τους αντίστοιχους χώρους μνήμης, όπως καθολικούς, τοπικούς, σταθερούς και ιδιωτικούς, για να βελτιστοποιήσετε τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Χρησιμοποιήστε τα αντίστοιχα μοντέλα εκτέλεσης, όπως αντικείμενα εργασίας, ομάδες εργασίας, νήματα, μπλοκ και πλέγματα, για να ελέγξετε τον παραλληλισμό.
• Εντοπισμός σφαλμάτων και δοκιμή προγραμμάτων GPU χρησιμοποιώντας εργαλεία όπως CodeXL, CUDA-GDB, CUDA-MEMCHECK και NVIDIA Nsight.
• Βελτιστοποιήστε τα προγράμματα GPU χρησιμοποιώντας τεχνικές όπως η συνένωση, η προσωρινή αποθήκευση, η εκ των προτέρων λήψη και η δημιουργία προφίλ.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν το CUDA για να προγραμματίσουν τα NVIDIA GPU και να εκμεταλλευτούν τον παραλληλισμό τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε ένα περιβάλλον ανάπτυξης που περιλαμβάνει το CUDA Toolkit, έναν κώδικα NVIDIA GPU και Visual Studio.
• Δημιουργήστε ένα βασικό πρόγραμμα CUDA που εκτελεί πρόσθεση διανυσμάτων στο GPU και ανακτά τα αποτελέσματα από τη μνήμη GPU.
• Χρησιμοποιήστε το CUDA API για να αναζητήσετε πληροφορίες συσκευής, να εκχωρήσετε και να εκχωρήσετε μνήμη συσκευής, να αντιγράψετε δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινήσετε πυρήνες και να συγχρονίσετε νήματα.
• Χρησιμοποιήστε τη γλώσσα CUDA C/C++ για να γράψετε πυρήνες που εκτελούνται στο GPU και να χειριστείτε δεδομένα.
• Χρησιμοποιήστε ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες CUDA για να εκτελέσετε κοινές εργασίες και λειτουργίες.
• Χρησιμοποιήστε χώρους μνήμης CUDA, όπως καθολικούς, κοινόχρηστους, σταθερούς και τοπικούς, για να βελτιστοποιήσετε τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Χρησιμοποιήστε το μοντέλο εκτέλεσης CUDA για να ελέγξετε τα νήματα, τα μπλοκ και τα πλέγματα που ορίζουν τον παραλληλισμό.
• Εντοπισμός σφαλμάτων και δοκιμή προγραμμάτων CUDA χρησιμοποιώντας εργαλεία όπως CUDA-GDB, CUDA-MEMCHECK και NVIDIA Nsight.
• Βελτιστοποιήστε τα προγράμματα CUDA χρησιμοποιώντας τεχνικές όπως η συνένωση, η προσωρινή αποθήκευση, η εκ των προτέρων λήψη και η δημιουργία προφίλ.

Το 97% ικανοποιεί τους πελάτες.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν το OpenACC για να προγραμματίσουν ετερογενείς συσκευές και να εκμεταλλευτούν τον παραλληλισμό τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε ένα περιβάλλον ανάπτυξης που περιλαμβάνει OpenACC SDK, μια συσκευή που υποστηρίζει OpenACC και Visual Studio Code.
• Δημιουργήστε ένα βασικό πρόγραμμα OpenACC που εκτελεί προσθήκη διανυσμάτων στη συσκευή και ανακτά τα αποτελέσματα από τη μνήμη της συσκευής.
• Χρησιμοποιήστε οδηγίες και ρήτρες OpenACC για να σχολιάσετε τον κώδικα και να καθορίσετε τις παράλληλες περιοχές, τη μετακίνηση δεδομένων και τις επιλογές βελτιστοποίησης.
• Χρησιμοποιήστε το OpenACC API για να αναζητήσετε πληροφορίες συσκευής, να ορίσετε τον αριθμό της συσκευής, να χειριστείτε σφάλματα και να συγχρονίσετε συμβάντα.
• Χρησιμοποιήστε βιβλιοθήκες OpenACC και δυνατότητες διαλειτουργικότητας για να ενσωματώσετε το OpenACC με άλλα μοντέλα προγραμματισμού, όπως CUDA, OpenMP και MPI.
• Χρησιμοποιήστε τα εργαλεία OpenACC για το προφίλ και τον εντοπισμό σφαλμάτων προγραμμάτων OpenACC και για τον εντοπισμό συμφορήσεων και ευκαιριών απόδοσης.
• Βελτιστοποιήστε τα προγράμματα OpenACC χρησιμοποιώντας τεχνικές όπως η τοποθεσία δεδομένων, η σύντηξη βρόχου, η σύντηξη πυρήνα και ο αυτόματος συντονισμός.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν το OpenCL για να προγραμματίσουν ετερογενείς συσκευές και να εκμεταλλευτούν τον παραλληλισμό τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε ένα περιβάλλον ανάπτυξης που περιλαμβάνει OpenCL SDK, μια συσκευή που υποστηρίζει OpenCL και Visual Studio Κώδικα.
• Δημιουργήστε ένα βασικό πρόγραμμα OpenCL που εκτελεί προσθήκη διανυσμάτων στη συσκευή και ανακτά τα αποτελέσματα από τη μνήμη της συσκευής.
• Χρησιμοποιήστε το OpenCL API για να αναζητήσετε πληροφορίες συσκευής, να δημιουργήσετε περιβάλλοντα, ουρές εντολών, buffer, πυρήνες και συμβάντα.
• Χρησιμοποιήστε τη γλώσσα OpenCL C για να γράψετε πυρήνες που εκτελούνται στη συσκευή και να χειριστείτε δεδομένα.
• Χρησιμοποιήστε OpenCL ενσωματωμένες λειτουργίες, επεκτάσεις και βιβλιοθήκες για να εκτελέσετε κοινές εργασίες και λειτουργίες.
• Χρησιμοποιήστε OpenCL μοντέλα μνήμης κεντρικού υπολογιστή και συσκευής για να βελτιστοποιήσετε τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Χρησιμοποιήστε το μοντέλο εκτέλεσης OpenCL για να ελέγξετε τα στοιχεία εργασίας, τις ομάδες εργασίας και τα εύρη ND.
• Εντοπισμός σφαλμάτων και δοκιμή προγραμμάτων OpenCL χρησιμοποιώντας εργαλεία όπως CodeXL, Intel VTune και NVIDIA Nsight.
• Βελτιστοποιήστε τα προγράμματα OpenCL χρησιμοποιώντας τεχνικές όπως διανυσματοποίηση, ξεκύλιση βρόχου, τοπική μνήμη και δημιουργία προφίλ.

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου) από εκπαιδευτές απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν διαφορετικά πλαίσια για προγραμματισμό GPU και να συγκρίνουν τις δυνατότητες, την απόδοση και τη συμβατότητά τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε ένα περιβάλλον ανάπτυξης που περιλαμβάνει OpenCL SDK, CUDA Toolkit, ROCm Platform, μια συσκευή που υποστηρίζει OpenCL, CUDA ή ROCm και Visual Studio Κώδικα.
• Δημιουργήστε ένα βασικό πρόγραμμα GPU που εκτελεί πρόσθεση διανυσμάτων χρησιμοποιώντας OpenCL, CUDA και ROCm και συγκρίνετε τη σύνταξη, τη δομή και την εκτέλεση κάθε πλαισίου.
• Χρησιμοποιήστε τα αντίστοιχα API για να αναζητήσετε πληροφορίες συσκευής, να εκχωρήσετε και να εκχωρήσετε μνήμη συσκευής, να αντιγράψετε δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινήσετε πυρήνες και να συγχρονίσετε νήματα.
• Χρησιμοποιήστε τις αντίστοιχες γλώσσες για να γράψετε πυρήνες που εκτελούνται στη συσκευή και να χειριστείτε δεδομένα.
• Χρησιμοποιήστε τις αντίστοιχες ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες για να εκτελέσετε κοινές εργασίες και λειτουργίες.
• Χρησιμοποιήστε τους αντίστοιχους χώρους μνήμης, όπως καθολικούς, τοπικούς, σταθερούς και ιδιωτικούς, για να βελτιστοποιήσετε τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Χρησιμοποιήστε τα αντίστοιχα μοντέλα εκτέλεσης για να ελέγξετε τα νήματα, τα μπλοκ και τα πλέγματα που ορίζουν τον παραλληλισμό.
• Εντοπισμός σφαλμάτων και δοκιμή προγραμμάτων GPU χρησιμοποιώντας εργαλεία όπως CodeXL, CUDA-GDB, CUDA-MEMCHECK και NVIDIA Nsight.
• Βελτιστοποιήστε τα προγράμματα GPU χρησιμοποιώντας τεχνικές όπως η συνένωση, η προσωρινή αποθήκευση, η εκ των προτέρων λήψη και η δημιουργία προφίλ.

Αυτό το ζωντανό εκπαιδευτικό σεμινάριο υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα καλύπτει τον τρόπο προγραμματισμού GPUs για παράλληλους υπολογιστές, πώς να χρησιμοποιείτε διάφορες πλατφόρμες, πώς να εργάζεστε με την πλατφόρμα CUDA και τα χαρακτηριστικά της και πώς να εκτελείτε διάφορες τεχνικές βελτιστοποίησης χρησιμοποιώντας το CUDA . Μερικές από τις εφαρμογές περιλαμβάνουν τη βαθιά εκμάθηση, την ανάλυση, την επεξεργασία εικόνας και τις εφαρμογές μηχανικής.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να εγκαταστήσουν και να χρησιμοποιήσουν το ROCm στα Windows για να προγραμματίσουν τα AMD GPU και να εκμεταλλευτούν τον παραλληλισμό τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε ένα περιβάλλον ανάπτυξης που περιλαμβάνει ROCm Platform, AMD GPU και Visual Studio Code στα Windows.
• Δημιουργήστε ένα βασικό πρόγραμμα ROCm που εκτελεί πρόσθεση διανυσμάτων στο GPU και ανακτά τα αποτελέσματα από τη μνήμη GPU.
• Χρησιμοποιήστε το ROCm API για να αναζητήσετε πληροφορίες συσκευής, να εκχωρήσετε και να εκχωρήσετε μνήμη συσκευής, να αντιγράψετε δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινήσετε πυρήνες και να συγχρονίσετε νήματα.
• Χρησιμοποιήστε τη γλώσσα HIP για να γράψετε πυρήνες που εκτελούνται στο GPU και να χειριστείτε δεδομένα.
• Χρησιμοποιήστε ενσωματωμένες λειτουργίες, μεταβλητές και βιβλιοθήκες HIP για να εκτελέσετε κοινές εργασίες και λειτουργίες.
• Χρησιμοποιήστε χώρους μνήμης ROCm και HIP, όπως καθολικούς, κοινόχρηστους, σταθερούς και τοπικούς, για να βελτιστοποιήσετε τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Χρησιμοποιήστε μοντέλα εκτέλεσης ROCm και HIP για να ελέγξετε τα νήματα, τα μπλοκ και τα πλέγματα που ορίζουν τον παραλληλισμό.
• Εντοπισμός σφαλμάτων και δοκιμή προγραμμάτων ROCm και HIP χρησιμοποιώντας εργαλεία όπως το ROCm Debugger και το ROCm Profiler.
• Βελτιστοποιήστε τα προγράμματα ROCm και HIP χρησιμοποιώντας τεχνικές όπως η συγχώνευση, η προσωρινή αποθήκευση, η προ-ανάκτηση και η δημιουργία προφίλ.