GPU Trainingen in Nederland

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 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 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.

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

Deze door een instructeur geleide, live training (online of op locatie) is gericht op AI-professionals met een beginners- tot intermediair niveau die AI-modellen willen implementeren en monitoren met behulp van de CloudMatrix platform met CANN en MindSpore-integratie.

Aan het einde van deze training kunnen de deelnemers:

• CloudMatrix gebruiken voor het pakketteren, implementeren en leveren van modellen.
• Modellen converteren en optimaliseren voor Ascend-chipsets.
• Pipelines instellen voor real-time- en batch-inference-taken.
• Implementaties monitoren en prestaties afstellen in productieomgevingen.

Formaat van de cursus

• Interactieve lezing en discussie.
• Praktijkervaring met CloudMatrix in echte implementatiescenario's.
• Begeleide oefeningen gericht op conversie, optimalisatie en schaling.

Opties voor cursusaanpassing

• Om een aangepaste training voor deze cursus te verzoeken op basis van uw AI-infrastructuur of cloudomgeving, neem contact met ons op om dit te regelen.

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 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.

Ascend, Biren en Cambricon zijn leidende AI-hardwareplatformen in China, elk biedend unieke versnellings- en profieltools voor productieschaal AI-werkbelastingen.

Deze door een docent geleide, live-training (online of op locatie) is gericht op geavanceerde AI-infrastructuur- en prestatie-engineers die modelinferentie- en trainingswerkstromen willen optimaliseren op meerdere Chinese AI-chipplatformen.

Na afloop van deze training kunnen de deelnemers:

• Modellen bencheren op Ascend, Biren en Cambricon-platformen.
• Systembottleneks en geheugen/verwerkingsinefficiënties identificeren.
• Optimisaties op grafiekniveau, kernelniveau en operatorkniveau toepassen.
• Implementatiepijplijnen afstellen om doorvoer en latentie te verbeteren.

Formaat van de cursus

• Interactieve lezing en discussie.
• Handen aan het werk met profiel- en optimalisatietools op elk platform.
• Geleide oefeningen gericht op praktische afstellingscenario's.

Opties voor cursusanpassing

• Voor een aangepaste training voor deze cursus op basis van uw prestatieomgeving of modeltype, neem dan contact met ons op om dit te regelen.

Chinese GPU-architecturen zoals Huawei Ascend, Biren en Cambricon MLU's bieden CUDA-alternatieven die zijn afgestemd op de lokale AI- en HPC-markten.

Deze door een instructeur geleide, live training (online of op locatie) is bedoeld voor geavanceerde GPU-programmeurs en infrastructurspecialisten die bestaande CUDA-toepassingen willen migreren en optimaliseren voor implementatie op Chinese hardwareplatforms.

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

• De compatibiliteit van bestaande CUDA-werkbelastingen met Chinese chipalternatieven te evalueren.
• CUDA-codebases te porten naar Huawei CANN, Biren SDK en Cambricon BANGPy-omgevingen.
• De prestaties te vergelijken en optimalisatiepunten te identificeren op verschillende platforms.
• Praktische uitdagingen in het ondersteunen en implementeren van cross-architecture te aanpakken.

Formaat van de cursus

• Interactieve lezingen en discussies.
• Hands-on codevertalings- en prestatievergelingslabs.
• Geleide oefeningen met als focus multi-GPU-adaptatiestrategieën.

Cursusaangepaste opties

• Om een aangepaste training voor deze cursus aan te vragen op basis van uw platform of CUDA-project, neem dan contact met ons op om dit te regelen.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor ontwikkelaars van beginners tot gemiddeld niveau die CUDA willen gebruiken om NVIDIA GPUs te programmeren en hun parallellisme te benutten.

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

• Zet een ontwikkelomgeving op die CUDA Toolkit, een NVIDIA GPU en Visual Studio Code bevat.
• Maak een eenvoudig CUDA-programma dat vectoroptelling uitvoert op de GPU en de resultaten uit het GPU-geheugen ophaalt.
• Gebruik de CUDA API om apparaatinformatie op te vragen, apparaatgeheugen toe te wijzen en toe te wijzen, 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 te manipuleren.
• Gebruik de ingebouwde functies, variabelen en bibliotheken van CUDA 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.
• Fouten opsporen en testen van CUDA-programma's met behulp van hulpprogramma's zoals CUDA-GDB, CUDA-MEMCHECK en NVIDIA Nsight.
• Optimaliseer CUDA-programma's met behulp van technieken zoals coalescing, caching, prefetching en profiling.

97% van de klanten is tevreden. 

Huawei Ascend is een familie van AI-processoren ontworpen voor high-performance inference en training.Deze door een instructeur geleide, live training (online of op locatie) is gericht op AI-engineers en datawetenschappers op tussenniveau die neural network modellen willen ontwikkelen en optimaliseren met behulp van de Ascend-platform van Huawei en het CANN-toolkit.Na voltooiing van deze training kunnen de deelnemers:

• De CANN-ontwikkelomgeving installeren en configureren.
• AI-applicaties ontwikkelen met behulp van MindSpore en CloudMatrix-werkstromen.
• De prestaties optimaliseren op Ascend NPUs met behulp van aangepaste operators en tiling.
• Modellen implementeren in edge- of cloudomgevingen.

Opzet van de cursus

• Interactieve lezing en discussie.
• Pratische ervaring met Huawei Ascend en het CANN-toolkit in voorbeeldtoepassingen.
• Begeleide oefeningen met de nadruk op het bouwen, trainen en implementeren van modellen.

Opties voor cursusaanpassing

• Voor het aanvragen van een aangepaste training voor deze cursus op basis van uw infrastructuur of datasets, neem dan contact met ons op om dit te regelen.

Biren AI Accelerators zijn hoogpresterende GPUs ontworpen voor AI- en HPC-workloads met ondersteuning voor grootschalig training en inferentie.Deze door een instructeur geleide live training (online of op locatie) is bedoeld voor ontwikkelaars op intermediair tot geavanceerd niveau die applicaties willen programmeren en optimaliseren met behulp van de proprietaire GPU stack van Biren, met praktische vergelijkingen met CUDA-omgevingen.Na afloop van deze training kunnen de deelnemers:- De Biren GPU architectuur en geheugenhierarchie begrijpen.- De ontwikkelomgeving instellen en het programmeringsmodel van Biren gebruiken.- CUDA-stijlcodering vertalen en optimaliseren voor Biren-platforms.- Prestatie-optimalisatie- en debugtechnieken toepassen.Format van de Cursus- Interactieve colleges en discussies.- Handson gebruik van Biren SDK in voorbeeld GPU workloads.- Geleide oefeningen gericht op porting en prestatie-optimalisatie.Opties voor Cursusaanpassing- Om een aangepaste training voor deze cursus aan te vragen op basis van uw applicatiestack of integratiebehoeften, neem dan contact met ons op om dit te regelen.

Cambricon MLUs (Machine Learning Units) zijn gespecialiseerde AI-chips geoptimaliseerd voor inferentie en training in edge- en datacenterscenario's.

Deze door een instructeur geleide, live training (online of ter plaatse) is gericht op ontwikkelaars op intermediair niveau die AI-modellen willen bouwen en implementeren met behulp van het BANGPy-framework en de Neuware SDK op Cambricon MLU-hardware.

Na afloop van deze training zullen de deelnemers in staat zijn om:

• De BANGPy- en Neuware-ontwikkelomgevingen te installeren en configureren.
• Python- en C++-gebaseerde modellen te ontwikkelen en te optimaliseren voor Cambricon MLUs.
• Modellen te implementeren op edge- en datacenterapparaten die de Neuware-runtime uitvoeren.
• ML-workflows te integreren met MLU-specifieke versnellingseigenschappen.

Formaat van de cursus

• Interactieve lezingen en discussies.
• Handmatige gebruik van BANGPy en Neuware voor ontwikkeling en implementatie.
• Geleide oefeningen gericht op optimalisatie, integratie en testen.

Opties voor cursusanpassing

• Om een aangepaste training voor deze cursus aan te vragen op basis van uw Cambricon-apparaatmodel of gebruiksscenario, neem dan contact met ons op om dit te regelen.

Deze live training onder leiding van een instructeur in Nederland (online of op locatie) is bedoeld voor systeembeheerders en IT-professionals op beginnersniveau die CUDA-omgevingen willen installeren, configureren, beheren en problemen willen oplossen.

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

• Begrijp de architectuur, componenten en mogelijkheden van CUDA.
• Installeer en configureer CUDA-omgevingen.
• Beheer en optimaliseer CUDA-bronnen.
• Veelvoorkomende CUDA-problemen opsporen en oplossen.

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.

Dit door een instructeur geleide live training in Nederland (online of op locatie) is gericht op ontwikkelaars met middelmatige vaardigheden die CUDA willen gebruiken om Python toepassingen te bouwen die parallel op NVIDIA GPUs lopen.

Aan het einde van deze training kunnen deelnemers:

• De Numba compiler gebruiken om Python applicaties die draaien op NVIDIA GPUs te versnellen.
• Aangepaste CUDA kernels maken, compileren en lanceren.
• Het geheugen van GPU beheren.
• Een CPU-gebaseerde applicatie omzetten in een GPU-versnelde applicatie.

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.