Online GPU Schulung 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.

Optimieren Sie die Inferenzleistung neuronaler Netze in Ascend-KI-Prozessoren mit dieser fortgeschrittenen, von einem Dozenten geleiteten Schulung in Deutschland. Erkunden Sie die Laufzeitarchitektur von CANN und nutzen Sie die Graph Engine, TIK und TVM für Profiling, die Entwicklung benutzerdefinierter Operatoren und die Behebung von Speicherengpässen.

Diese durchgeführte, live stattfindende Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler mit Anfänger- bis Mittelwissen, die CUDA nutzen möchten, um NVIDIA-GPUs zu programmieren und deren Parallelität zu nutzen.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Eine Entwicklungsumgebung einzurichten, die das CUDA Toolkit, eine NVIDIA-GPU und Visual Studio Code umfasst.
• Ein grundlegendes CUDA-Programm zu erstellen, das eine Vektoraddition auf der GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Die CUDA-API zu nutzen, um Geräteinformationen abzufragen, Gerätespeicher zu allozieren und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kerne zu starten und Threads zu synchronisieren.
• Die CUDA C/C++-Sprache zu verwenden, um Kerne zu schreiben, die auf der GPU ausgeführt werden und Daten manipulieren.
• CUDA-eingebaute Funktionen, Variablen und Bibliotheken für die Ausführung gängiger Aufgaben und Operationen zu verwenden.
• CUDA-Speicherräume wie global, shared, constant und local zu nutzen, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Das CUDA-Ausführungsmodell zu nutzen, um die Threads, Blöcke und Raster zu steuern, die die Parallelität definieren.
• CUDA-Programme mit Werkzeugen wie CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight zu debuggen und zu testen.
• CUDA-Programme mit Techniken wie Coalescing, Caching, Prefetching und Profiling zu optimieren.

97% zufriedene Kunden.

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 Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler von Anfänger- bis zu Mittelstufe, die OpenCL nutzen möchten, um heterogene Geräte zu programmieren und deren Parallelität auszuschöpfen.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Ein Entwicklungsumfeld einrichten, das OpenCL SDK, ein OpenCL-fähiges Gerät und Visual Studio Code umfasst.
• Ein grundlegendes OpenCL-Programm erstellen, das eine Vektoraddition auf dem Gerät durchführt und die Ergebnisse aus dem Gerätespeicher abruft.
• Die OpenCL-API nutzen, um Geräteinformationen abzufragen und Kontexte, Command Queues, Puffer, Kernels und Events zu erstellen.
• Die OpenCL C-Sprache verwenden, um Kernels zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Eingebaute Funktionen, Erweiterungen und Bibliotheken von OpenCL verwenden, um allgemeine Aufgaben und Operationen durchzuführen.
• Die Speichermodelle für Host und Gerät in OpenCL nutzen, um Datentransfers und Speicherzugriffe zu optimieren.
• Das Ausführungsmodell von OpenCL verwenden, um Work-Items, Work-Groups und ND-Ranges zu steuern.
• OpenCL-Programme mit Werkzeugen wie CodeXL, Intel VTune und NVIDIA Nsight debuggen und testen.
• OpenCL-Programme mit Techniken wie Vektorisierung, Loop Unrolling, lokalen Speichern und Profiling 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.