Administration of CUDA Training Cursus

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars die CUDA willen gebruiken om Python applicaties te bouwen die parallel draaien op NVIDIA GPU's.

Aan het einde van deze training kunnen deelnemers:

• Gebruik de Numba-compiler om applicaties die op NVIDIA GPU's draaien te versnellen.
• Creëer, compileer en start aangepaste CUDA-kernels.
• Beheer GPU-geheugen.
• Converteer een CPU-gebaseerde applicatie naar een GPU-versnelde applicatie.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars op beginnersniveau tot op gemiddeld niveau die ROCm en HIP willen gebruiken om AMD GPU's te programmeren en hun parallellisme te exploiteren.

Aan het einde van deze training kunnen deelnemers:

• Zet een ontwikkelomgeving op met het ROCm-platform, een AMD GPU en Visual Studio code.
• Creëer een basis ROCm-programma dat vectoroptelling uitvoert op de GPU en de resultaten ophaalt uit het GPU-geheugen.
• Gebruik de ROCm API om apparaatinformatie op te vragen, apparaatgeheugen toe te wijzen en de toewijzing ervan ongedaan te maken, gegevens tussen host en apparaat te kopiëren, kernels te starten en threads te synchroniseren.
• Gebruik HIP-taal om kernels te schrijven die worden uitgevoerd op de GPU en gegevens manipuleren.
• Gebruik de ingebouwde functies, variabelen en bibliotheken van HIP om algemene taken en bewerkingen uit te voeren.
• Gebruik ROCm- en HIP-geheugenruimten, zoals globaal, gedeeld, constant en lokaal, om gegevensoverdracht en geheugentoegang te optimaliseren.
• Gebruik ROCm- en HIP-uitvoeringsmodellen om de threads, blokken en rasters te besturen die het parallellisme definiëren.
• Debug en test ROCm- en HIP-programma's met behulp van tools zoals ROCm Debugger en ROCm Profiler.
• Optimaliseer ROCm- en HIP-programma's met behulp van technieken zoals coalescing, caching, prefetching en profilering.

This course covers how to program GPUs for parallel computing. Some of the applications include deep learning, analytics, and engineering applications.

Deze door een instructeur geleide, live training in Nederland (op locatie of op afstand) is gericht op ontwikkelaars op beginners- tot gemiddeld niveau die de basisprincipes van GPU programmeren willen leren en de belangrijkste raamwerken en hulpmiddelen voor het ontwikkelen van GPU applicaties. .

• Aan het einde van deze training kunnen deelnemers:
  Begrijp het verschil tussen CPU en GPU computergebruik en de voordelen en uitdagingen van GPU programmeren.
• Kies het juiste raamwerk en de juiste tool voor hun GPU toepassing.
• Maak een basisprogramma GPU dat vectoroptelling uitvoert met behulp van een of meer van de raamwerken en hulpmiddelen.
• Gebruik de respectievelijke API's, talen en bibliotheken om apparaatinformatie op te vragen, apparaatgeheugen toe te wijzen en de toewijzing daarvan ongedaan te maken, gegevens tussen host en apparaat te kopiëren, kernels te starten en threads te synchroniseren.
• Gebruik de respectieve geheugenruimten, zoals globaal, lokaal, constant en privé, om gegevensoverdrachten en geheugentoegang te optimaliseren.
• Gebruik de respectieve uitvoeringsmodellen, zoals werkitems, werkgroepen, threads, blokken en rasters, om de parallelliteit te controleren.
• Debug en test GPU programma's met behulp van tools zoals CodeXL, CUDA-GDB, CUDA-MEMCHECK en NVIDIA Nsight.
• Optimaliseer GPU programma's met behulp van technieken zoals coalescentie, caching, prefetching en profilering.

Deze door een instructeur geleide, live training in Nederland (op locatie of op afstand) is gericht op ontwikkelaars op beginners- tot gemiddeld niveau die CUDA willen gebruiken om NVIDIA GPU's te programmeren en hun parallellisme te exploiteren.

Aan het einde van deze training kunnen deelnemers:

• Zet een ontwikkelomgeving op met CUDA Toolkit, een NVIDIA GPU en Visual Studio code.
• Creëer een basis CUDA-programma dat vectoroptelling uitvoert op de GPU en de resultaten ophaalt uit het GPU-geheugen.
• Gebruik de CUDA API om apparaatinformatie op te vragen, apparaatgeheugen toe te wijzen en de toewijzing ongedaan te maken, gegevens tussen host en apparaat te kopiëren, kernels te starten en threads te synchroniseren.
• Gebruik de CUDA C/C++-taal om kernels te schrijven die op de GPU worden uitgevoerd en gegevens manipuleren.
• Gebruik de ingebouwde CUDA-functies, variabelen en bibliotheken om algemene taken en bewerkingen uit te voeren.
• Gebruik CUDA-geheugenruimten, zoals globaal, gedeeld, constant en lokaal, om gegevensoverdracht en geheugentoegang te optimaliseren.
• Gebruik het CUDA-uitvoeringsmodel om de threads, blokken en rasters te beheren die het parallellisme definiëren.
• Debug en test CUDA-programma's met behulp van tools zoals CUDA-GDB, CUDA-MEMCHECK en NVIDIA Nsight.
• Optimaliseer CUDA-programma's met behulp van technieken zoals coalescentie, caching, prefetching en profilering.

Deze live training onder leiding van een instructeur in Nederland (online of op locatie) is bedoeld voor ontwikkelaars van beginners tot gemiddeld niveau die OpenACC willen gebruiken om heterogene apparaten te programmeren en hun parallellisme te benutten.

Aan het einde van deze training zijn de deelnemers in staat om:

• Stel een ontwikkelomgeving in met OpenACC SDK, een apparaat dat OpenACC ondersteunt, en Visual Studio Code.
• Maak een eenvoudig OpenACC-programma dat vectoroptelling uitvoert op het apparaat en de resultaten ophaalt uit het geheugen van het apparaat.
• Gebruik OpenACC-richtlijnen en -clausules om de code te annoteren en de parallelle regio's, gegevensverplaatsing en optimalisatieopties op te geven.
• Gebruik de OpenACC-API om apparaatgegevens op te vragen, het apparaatnummer in te stellen, fouten af te handelen en gebeurtenissen te synchroniseren.
• Gebruik OpenACC-bibliotheken en interoperabiliteitsfuncties om OpenACC te integreren met andere programmeermodellen, zoals CUDA, OpenMP en MPI.
• Gebruik OpenACC-tools om OpenACC-programma's te profileren en fouten op te sporen en te identificeren en knelpunten en kansen op het gebied van prestaties te identificeren.
• Optimaliseer OpenACC-programma's met behulp van technieken zoals datalokalisatie, lusfusie, kernelfusie en auto-tuning.

Deze door een instructeur geleide, live training in Nederland (op locatie of op afstand) is gericht op ontwikkelaars op beginners- tot gemiddeld niveau die OpenCL willen gebruiken om heterogene apparaten te programmeren en hun parallellisme te exploiteren.

Aan het einde van deze training kunnen deelnemers:

• Zet een ontwikkelomgeving op met OpenCL SDK, een apparaat dat OpenCL en Visual Studio Code ondersteunt.
• Maak een basisprogramma OpenCL dat vectoroptelling op het apparaat uitvoert en de resultaten uit het apparaatgeheugen ophaalt.
• Gebruik OpenCL API om apparaatinformatie op te vragen, contexten, opdrachtwachtrijen, buffers, kernels en gebeurtenissen te creëren.
• Gebruik OpenCL C-taal om kernels te schrijven die op het apparaat worden uitgevoerd en gegevens manipuleren.
• Gebruik OpenCL ingebouwde functies, extensies en bibliotheken om algemene taken en bewerkingen uit te voeren.
• Gebruik OpenCL host- en apparaatgeheugenmodellen om gegevensoverdracht en geheugentoegang te optimaliseren.
• Gebruik het uitvoeringsmodel OpenCL om de werkitems, werkgroepen en ND-bereiken te beheren.
• Debug en test OpenCL programma's met behulp van tools zoals CodeXL, Intel VTune en NVIDIA Nsight.
• Optimaliseer OpenCL programma's met behulp van technieken zoals vectorisatie, lusafrollen, lokaal geheugen en profilering.

Deze door een instructeur geleide, live training in Nederland (op locatie of op afstand) is gericht op ontwikkelaars op beginners- tot gemiddeld niveau die verschillende frameworks willen gebruiken voor GPU programmeren en hun functies, prestaties en compatibiliteit willen vergelijken.

Aan het einde van deze training kunnen deelnemers:

• Zet een ontwikkelomgeving op met OpenCL SDK, CUDA Toolkit, ROCm Platform, een apparaat dat OpenCL, CUDA of ROCm ondersteunt, en Visual Studio Code.
• Maak een basisprogramma GPU dat vectoroptelling uitvoert met behulp van OpenCL, CUDA en ROCm, en vergelijk de syntaxis, structuur en uitvoering van elk raamwerk.
• Gebruik de respectievelijke API's om apparaatinformatie op te vragen, apparaatgeheugen toe te wijzen en de toewijzing ongedaan te maken, gegevens tussen host en apparaat te kopiëren, kernels te starten en threads te synchroniseren.
• Gebruik de respectieve talen om kernels te schrijven die op het apparaat worden uitgevoerd en gegevens manipuleren.
• Gebruik de respectieve ingebouwde functies, variabelen en bibliotheken om algemene taken en bewerkingen uit te voeren.
• Gebruik de respectieve geheugenruimten, zoals globaal, lokaal, constant en privé, om gegevensoverdrachten en geheugentoegang te optimaliseren.
• Gebruik de respectieve uitvoeringsmodellen om de threads, blokken en rasters te besturen die het parallellisme definiëren.
• Debug en test GPU programma's met behulp van tools zoals CodeXL, CUDA-GDB, CUDA-MEMCHECK en NVIDIA Nsight.
• Optimaliseer GPU programma's met behulp van technieken zoals coalescentie, caching, prefetching en profilering.

Deze door een instructeur geleide, live training cursus in Nederland behandelt hoe u GPUs programmeert voor parallel computergebruik, hoe u verschillende platforms gebruikt, hoe u met het CUDA-platform en zijn functies werkt, en hoe u verschillende optimalisatietechnieken uitvoert met behulp van CUDA . Enkele van de toepassingen omvatten deep learning, analyses, beeldverwerking en technische toepassingen.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars op beginnersniveau tot op gemiddeld niveau die ROCm op Windows willen installeren en gebruiken om AMD GPU's te programmeren en hun parallellisme te exploiteren.

Aan het einde van deze training kunnen deelnemers:

• Zet een ontwikkelomgeving op met ROCm Platform, een AMD GPU en Visual Studio Code op Windows.
• Creëer een basis ROCm-programma dat vectoroptelling uitvoert op de GPU en de resultaten ophaalt uit het GPU-geheugen.
• Gebruik de ROCm API om apparaatinformatie op te vragen, apparaatgeheugen toe te wijzen en de toewijzing ervan ongedaan te maken, gegevens tussen host en apparaat te kopiëren, kernels te starten en threads te synchroniseren.
• Gebruik HIP-taal om kernels te schrijven die worden uitgevoerd op de GPU en gegevens manipuleren.
• Gebruik de ingebouwde functies, variabelen en bibliotheken van HIP om algemene taken en bewerkingen uit te voeren.
• Gebruik ROCm- en HIP-geheugenruimten, zoals globaal, gedeeld, constant en lokaal, om gegevensoverdracht en geheugentoegang te optimaliseren.
• Gebruik ROCm- en HIP-uitvoeringsmodellen om de threads, blokken en rasters te besturen die het parallellisme definiëren.
• Debug en test ROCm- en HIP-programma's met behulp van tools zoals ROCm Debugger en ROCm Profiler.
• Optimaliseer ROCm- en HIP-programma's met behulp van technieken zoals coalescing, caching, prefetching en profilering.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars die hardwareversnelde objectdetectie- en trackingmodellen willen bouwen om streaming videogegevens te analyseren.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer de benodigde ontwikkelomgeving, software en bibliotheken om te beginnen met ontwikkelen.
• Bouw, train en implementeer deep learning-modellen om live videofeeds te analyseren.
• Identificeer, volg, segmenteer en voorspel verschillende objecten binnen videoframes.
• Optimaliseer objectdetectie- en trackingmodellen.
• Implementeer een intelligente video-analysetoepassing (IVA).