GPU Schulungen in Deutschland

Dieses von einem Instruktor geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler mit Grundkenntnissen bis mittlerem Erfahrungsniveau, die OpenACC nutzen möchten, um heterogene Geräte zu programmieren und deren Parallelität auszuschöpfen.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Ein OpenACC-Entwicklungsumfeld einzurichten.
• Ein grundlegendes OpenACC-Programm zu schreiben und auszuführen.
• Code mittels OpenACC-Direktiven und Klauseln zu annotieren.
• Die OpenACC-API sowie zugehörige Bibliotheken zu verwenden.
• OpenACC-Programme zu profilieren, zu debuggen und zu optimieren.

Dieser von einem Instruktor geleitete Live-Kurs in Deutschland (online oder vor Ort) richtet sich an Entwickler mit Anfänger- bis Mittelkenntnissen, die die Grundlagen des GPU-Programmierens sowie die wichtigsten Frameworks und Tools kennenlernen möchten.

• Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
  Den Unterschied zwischen CPU- und GPU-Berechnungen zu verstehen sowie die Vorteile und Herausforderungen des GPU-Programmierens zu erkennen.
• Das passende Framework bzw. Werkzeug für ihre GPU-Anwendung auszuwählen.
• Ein einfaches GPU-Programm zu erstellen, das eine Vektorsumme berechnet – mithilfe eines oder mehrerer dieser Frameworks und Tools.
• Die jeweiligen APIs, Programmiersprachen sowie Bibliotheken zu nutzen, um Geräteinformationen abzufragen, Speicher zuzuweisen bzw. freizugeben, Daten zwischen Host und GPU zu übertragen, Kernel auszuführen und Threads zu synchronisieren.
• Die unterschiedlichen Speicherbereiche – global, lokal, konstant sowie privater Speicher –, um Datentransfers und den Zugriff auf Speicher zu optimieren.
• Die verschiedenen Ausführungsmodelle wie Work-Items, Work-Groups, Threads, Blocks und Grids einzusetzen, um die Parallelität zu steuern.
• GPU-Programme mithilfe von Werkzeugen wie CodeXL, CUDA-GDB, CUDA-MEMCHECK sowie NVIDIA Nsight zu debuggen und zu testen.
• GPU-Programme durch Techniken wie Coalescing, Caching, Vorabladung und Profiling zu optimieren.

Dieses praxisorientierte Training unter Anleitung eines Instruktors in Deutschland (online oder vor Ort) richtet sich an Entwickler auf Anfänger- bis Mittelstufe, die unterschiedliche Frameworks für GPU-Programmierung kennenlernen und deren Merkmale, Leistungsfähigkeit sowie Kompatibilität vergleichen möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein zu:

• Eine Entwicklungsumgebung einzurichten, bestehend aus dem OpenCL SDK, dem CUDA Toolkit, der ROCm-Plattform, einem Gerät mit Unterstützung für OpenCL, CUDA oder ROCm sowie Visual Studio Code.
• Ein grundlegendes GPU-Programm zu erstellen, das eine Vektoraddition mittels OpenCL, CUDA und ROCm durchführt, um anschließend die jeweilige Syntax, Struktur und Ausführung der Frameworks miteinander zu vergleichen.
• Die zugehörigen APIs zur Abfrage von Geräteinformationen, zur Allokation und Freigabe des Gerätespeichers, zum Datentransfer zwischen Host- und Geräte-Speicher sowie zum Starten von Kerneln und Synchronisieren der Threads zu nutzen.
• Die jeweiligen Programmiersprachen zur Erstellung von Kernels einzusetzen, die auf den GPUs ausgeführt werden und Daten verarbeiten können.
• Vordefinierte Funktionen, Variablen sowie Bibliotheken der jeweiligen Frameworks zu nutzen, um häufige Aufgaben und Operationen effizient zu realisieren.
• Die unterschiedlichen Speicherbereiche wie Global-, Local-, Constant- und Private-Speicher so einzusetzen, dass Datenübertragungen sowie Speicherzugriffe optimal optimiert werden.
• Mit Hilfe der jeweiligen Ausführungsmodelle die Steuerung von Threads, Blöcken und Gittern zu gewährleisten, um die Parallelität bestmöglich zu gestalten.
• GPU-Programme mithilfe von Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK oder NVIDIA Nsight zu debuggen und zu testen.
• GPU-Programme durch Techniken wie Coalescing, Caching, Prefetching sowie Profiling weiterzuoptimieren.

Dieses von einem Dozenten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler auf Anfänger- bis Mittelstufe, die ROCm unter Windows installieren und nutzen möchten, um AMD-GPUs programmiert zu verwenden und deren Parallelisierungspotenzial auszuschöpfen.

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

• Eine Entwicklungsumgebung einzurichten, die ROCm-Plattform, eine AMD-GPU sowie Visual Studio Code unter Windows umfasst.
• Ein grundlegendes ROCm-Programm zu erstellen, das auf der GPU Vektoradditionen durchführt und anschließend die Ergebnisse aus dem GPUspeicher abruft.
• Die ROCm-API zu nutzen, um Geräteinformationen abzufragen, Speicher zuzuweisen bzw. freizugeben, Daten zwischen Host- und Device zu übertragen sowie Kernel zu starten und Threads zu synchronisieren.
• Die HIP-Sprache zu verwenden, um Kernel zu schreiben, die auf der GPU ausgeführt werden und mit Daten arbeiten können.
• Eingebaute Funktionen, Variablen sowie Bibliotheken von HIP für gängige Aufgaben einzusetzen.
• Speicherbereiche wie globalen, geteilten, konstanten und lokalen Speicher in ROCm und HIP zu nutzen, um Datenübertragungen und Speicherzugriffe effizienter zu gestalten.
• Ausführungsmodelle von ROCm und HIP einzusetzen, um Threads, Blöcke und Gitter zur Steuerung der Parallelisierung festzulegen.
• ROCm- sowie HIP-Programme mithilfe von Werkzeugen wie dem ROCm Debugger oder ROCm Profiler zu debuggen und zu testen.
• Techniken wie Kohäsion, Caching, Vorkompensierung und Profiling anzuwenden, um ROCm- sowie HIP-Programme weiter zu optimieren.

Dieses von einem Trainer geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler mit Anfänger- bis Mittelstufenwissen, die ROCm und HIP einsetzen möchten, um AMD-GPUs zu programmieren sowie deren Parallelisierungspotenzial auszuschöpfen.

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

• Eine Entwicklungsumgebung einzurichten, die ROCm-Plattform, eine AMD-GPU sowie Visual Studio Code umfasst.
• Ein grundlegendes ROCm-Programm zu erstellen, welches Vektoradditionen auf der GPU ausführt und anschließend die Ergebnisse aus dem GPUspeicher abruft.
• Mit der ROCm-API Geräteinformationen abzufragen, Speicher auf dem Gerät zuzuweisen bzw. freizugeben, Daten zwischen Host- und Device-Speicher zu kopieren, Kernel zu starten sowie Threads zu synchronisieren.
• Mit der HIP-Sprache Kernel zu schreiben, die auf der GPU ausgeführt werden und Daten manipulieren können.
• HIP-interne Funktionen, Variablen sowie Bibliotheken zur Erledigung häufiger Aufgaben zu nutzen.
• Durch den Einsatz von Speicherbereichen wie global, shared, constant und local in ROCm und HIP Datenübertragungen sowie Speicherzugriffe zu optimieren.
• Mit Hilfe der Ausführungsmodelle von ROCm und HIP Threads, Blöcke und Gitter zu steuern, um den Parallelisierungsprozess zu definieren.
• ROCm- sowie HIP-Programme mittels Werkzeugen wie dem ROCm Debugger und ROCm Profiler zu debuggen und zu testen.
• ROCm- und HIP-Programme durch Methoden wie Coalescing, Caching, Prefetching und Profiling zu optimieren.

Dieses von einem Experten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler mit Grund- bis Mittelkenntnissen, die CUDA zur Programmierung von NVIDIA-GPUs nutzen wollen und deren Parallelität optimal auswerten.

Am Ende dieses Kurses verstehen die Teilnehmenden Folgendes:

• Eine Entwicklungsumgebung einrichten, in der das CUDA Toolkit, eine NVIDIA-GPU sowie Visual Studio Code integriert sind.
• Ein einfaches CUDA-Programm erstellen, das Vektorenadditionen auf der GPU ausführt und die Ergebnisse anschließend aus dem GPU-Speicher abruft.
• Die CUDA-API nutzen, um Geräteinformationen abzufragen, Speicher dynamisch zu reservieren bzw. freizugeben, Daten zwischen Host und Device zu übertragen, Kernel zu starten sowie Threads zu synchronisieren.
• In CUDA C/C++ Kernel schreiben, die auf der GPU ausgeführt werden und Daten verarbeiten können.
• Standardmäßig verfügbare CUDA-Funktionen, Variablen und Bibliotheken für häufige Aufgaben einsetzen.
• Diverse Speicherbereiche wie global, shared, constant oder local zu Nutzung bringen, um Datentransfers sowie den Zugriff auf den Speicher zu optimieren.
• Den CUDA-Ausführungsmodell verwenden, um die Anzahl der Threads, Blöcke und Gitter zur Steuerung der Parallelität festzulegen.
• CUDA-Programme mithilfe von Tools wie CUDA-GDB, CUDA-MEMCHECK sowie NVIDIA Nsight debuggen und testen.
• Methoden wie Coalescing, Caching, Prefetching oder Profiling anwenden, um CUDA-Anwendungen zu optimieren.

97 % unserer Kunden sind vollständig zufrieden.

Dieses von einem Trainer geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Systemadministratoren und IT-Fachkräfte mit ersten Kenntnissen, die CUDA-Umgebungen installieren, konfigurieren, verwalten sowie Fehler beheben möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• die Architektur, Komponenten und Fähigkeiten von CUDA zu verstehen,
• CUDA-Umgebungen zu installieren und einzurichten,
• CUDA-Ressourcen effizient zu verwalten und zu optimieren,
• gängige Probleme in CUDA-Umgebungen zu diagnostizieren und zu beheben.

Diese praxisorientierte Schulung unter Anleitung eines Trainers in Deutschland (online oder vor Ort) richtet sich an Entwickler mit Grundkenntnissen bis hin zu fortgeschrittenem Wissen, die OpenCL nutzen möchten, um heterogene Geräte zu programmieren und deren Parallelität auszuschöpfen.

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

• Eine Entwicklungsumgebung einzurichten, die den OpenCL SDK, ein OpenCL-fähiges Gerät sowie Visual Studio Code umfasst.
• Ein grundlegendes OpenCL-Programm zu erstellen, das Vektoradditionen auf dem Zielgerät ausführt und anschließend die Ergebnisse aus dem Gerätespeicher abruft.
• Die OpenCL-API zur Abfrage von Geräteinformationen sowie zum Erstellen von Kontexten, Befehlswarteschlangen, Puffern, Kerneln und Ereignissen zu verwenden.
• Die OpenCL C-Sprache einzusetzen, um Kernel zu schreiben, die auf dem Zielgerät ausgeführt werden und Daten verarbeiten.
• Integrierte Funktionen, Erweiterungen sowie Bibliotheken von OpenCL zur Durchführung häufiger Aufgaben zu nutzen.
• Das Speichermodell sowohl auf Host- als auch auf Geräteebene zu nutzen, um Datentransfers und Speicherzugriffe zu optimieren.
• Das Ausführungsmodell von OpenCL einzusetzen, um Arbeits-Elemente, Arbeit-Gruppen sowie ND-Range-Konfigurationen zu steuern.
• OpenCL-Programme mithilfe von Werkzeugen wie CodeXL, Intel VTune und NVIDIA Nsight zu debuggen und zu testen.
• Die Programme durch Techniken wie Vektorisierung, Schleifenaufrollung, Nutzung des lokalen Speichers sowie Profiling-Techniken zu optimieren.

Dieses von einem Dozenten geleitete Live-Training in Deutschland – online oder vor Ort – richtet sich an C++-Entwickler, die CUDA nutzen wollen, um Anwendungen zu beschleunigen, hochperformante GPU-Kernel zu schreiben sowie parallele Algorithmus-Bibliotheken für wissenschaftliches Rechnen, Datenverarbeitung und maschinelles Lernen einzusetzen.

Dieses von einem Instruktor geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an C/C++-Entwickler, die CUDA einsetzen möchten, um rechenintensive Anwendungen zu beschleunigen – beispielsweise bei der Datenverarbeitung, wissenschaftlichen Simulationen, im Bereich maschinelles Lernen oder bei Bildverarbeitungspipelines.

Dieses von einem Instruktor geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Softwareentwickler, Datenanalysten sowie technische Fachkräfte, die TensorFlow 2.x und Keras nutzen möchten, um Deep Learning-Modelle für Computer Vision, Verarbeitung natürlicher Sprache sowie multimediale Anwendungen zu entwerfen, zu trainieren und einzusetzen.

Dieser von einem Instruktor geleitete, praxisorientierte Trainingskurs in Deutschland behandelt die Programmierung von GPUs für parallele Berechnungen, den Umgang mit verschiedenen Plattformen sowie die Nutzung der CUDA-Plattform und ihrer Funktionen. Zudem erlernen Sie verschiedene Optimierungstechniken unter Verwendung von CUDA. Zu den Anwendungsbereichen zählen Deep Learning, Datenanalyse, Bildverarbeitung sowie ingenieurwissenschaftliche Anwendungen.