GPU Training in Ελλάδα

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 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 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.

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.

CloudMatrix είναι η αποτελεσματική πλατφόρμα ανάπτυξης και εγκατάστασης AI της Huawei, σχεδιασμένη για να υποστηρίζει μεγάλες κλίμακες παραγωγικών διαδικασιών επεξεργασίας συμπερασμάτων.

Αυτή η εκπαιδευτική εκπόνηση (διαπολιτισμική ή προσωπική) στοχεύει σε αναφορικούς και μέσου επιπέδου ειδικευμένους στην AI, οι οποίοι επιθυμούν να εγκαταστήσουν και να διαφυλάξουν μοντέλα AI χρησιμοποιώντας την πλατφόρμα CloudMatrix με ενσωμάτωση CANN και MindSpore.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Χρησιμοποιήσουν το CloudMatrix για πακέτο, εγκατάσταση και υπηρεσία μοντέλων.
• Μετατρέψουν και βελτιώσουν τα μοντέλα για τα Ascend chipsets.
• Εγκαταστήσουν διαδίκτυα για υπηρεσίες επεξεργασίας συμπερασμάτων πραγματικού χρόνου και μέρους.
• Στοχεύουν τις εγκαταστάσεις και βελτιώνουν την απόδοση σε παραγωγικές ρυθμίσεις.

Σχήμα της Εκπαίδευσης

• Ενεργοποιημένη μάθηση και συζήτηση.
• Πρακτική χρήση του CloudMatrix με πραγματικά σενάρια εγκατάστασης.
• Εξοπλισμένες ασκήσεις που καθοδηγούνται με έphasis στη μετατροπή, τη βελτίωση και την επέκταση.

Επιλογές Προσαρμογής της Εκπαίδευσης

• Για να αιτηθεί μια προσωπικοποιημένη εκπαίδευση για αυτή την ομάδα βάσει της AI υποδομής σας ή του κλειδώματός σας, παρακαλώ επικοινωνήστε μαζί μας για να διοργανώσετε.

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακή ή επιτόπου) από εκπαιδευτές απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν ROCm και HIP 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.
• 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.

Ascend, Biren και Cambricon είναι οι προηγμένες πλατφόρμες υλικού για τα μηχανικά νοημοσύνης στην Κίνα, κάθε μία επιφέροντας υπερβολική αcceleration και εργαλεία προφιλαρχικής για παραγωγικά μηχανικά νοημοσύνης λειτουργίες.

Αυτό το επανδρωμένο κλάση (διαμαρτυρία ή γνωστή) στόχο είναι ανώτερο επίπεδο AI υφιστάμενος και δημιουργία μηχανικά μηχανικές που θέλουν να βελτιωθούν επιπέδου model inference και training workflows σε πολλαπλά Chinese AI χιπ πλατφόρμες.

Στο τέλος αυτής της εκπαίδευση, οι συμμετέχοντες θα μπορούν να:

• Benchmark models σε Ascend, Biren και Cambricon πλατφόρμες.
• Αναγνωρίζουν τις συστήματος bottlenecks και memory/compute αδυνάμειες.
• Εφαρμόζει graph-level, kernel-level, και operator-level βελτιώσεις.
• Tune εγκατάσταση pipelines για να βελτιωθούν throughput και latency.

Δομή του Κλάση

• Επικοινωνητικός διάλογος και συζήτηση.
• Χερσαία χρήση του προφιλαρχικών και βελτιωτικών εργαλείων σε κάθε πλατφόρμα.
• Οδηγημένες ασκήσεις με κέντρο του πρακτική tuning περιστάσεις.

Προσαρμοστικό Διδακτικό Υλικό

• Για να απαιτήσετε μια προσαρμοστική εκπαίδευση για αυτή την ομάδα βασισμένη στο performance περιβάλλον και μοντέλου type, παρακαλώ επικοινωνήστε μαζί μας για να το διατάξετε.

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.

Χινέζικες GPU αρχιτεκτονικές όπως Huawei Ascend, Biren και Cambricon MLUs παρέχουν εναλλακτικές λύσεις για το CUDA, τυγχάνοντας ιδιαίτερης συμπλήρωσης για την αυτόματη εξελίξη (AI) και τους τομείς υψηλών πERFORMANCE computing (HPC) στην οικογένεια.

Αυτή η διδασκαλία, με επικοινωνία του εκπαιδεύτη (δια παραλλαγής ή σε υπερθέση), είναι απευθείας διευθετημάτων του GPU προγραμματιστών και ειδικών υπολογιστικών πόρων με ανάγκη να μεταφέρουν και βελτιώσουν τα οντικά CUDA εφαρμογές για τη δημοσίευση σε χινέζικους πίνακες hardware.

Με τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Αξιολογήσουν την παραθέση των ακόμα CUDA εργαζομένων με χινέζικα αντικείμενα άλλων.
• Μετάφερουν κώδικα CUDA πλατφόρμες στο Huawei CANN, Biren SDK και την περιβάλλον Cambricon BANGPy.
• Ελέγχουν τη δύναμη και εντοπίζουν βελτιστοποίηση σημεία μεταξύ πλατφόρμων.
• Αντιμετωπίζουν πρακτικά προβλήματα και υποστήριξη cross-architecture και έγκριση.

Εργασιακό σχεδιασμός του δίδασκαλ

• Δυναμική εξήγηση και συζήτηση.
• Προσωπικά μεταφοράς κώδικα και αντίθεση δυναμικό που εργασία labs.
• Οδηγούμενες άσκησης συγκεντρωμένη για τη χρήση πολλών GPU αποδοχή στρατηγικές.

Επιλογές Προσωπικοποίησης του δίδασκαλ

• Για να απαιτήσετε μια προσωπικοποιημένη εξυπηρέτηση για το δίδασκαλ βάσεις στην ηχεία σας ή CUDA project, παρακαλώ αποφασίστε μας να εγκαθιδρύσετε.

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 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.

Huawei Ascend είναι μια οικογένεια AI προσταθμών σχεδιασμένων για υψηλή επίδοση αποδοχής και εκπαίδευσης.

Αυτό το εξ οργάνου διδασκαλία (διαδικτύου ή σε χώρο) προσβάσιμο είναι για μεσαίων επιπέδου AI μηχανικούς και δεδομένων επιστήμονες που θέλουν να αναπτύξουν και να τροποποιήσουν νευρωνικά δίκτυα μοντέλων χρησιμοποιώντας το πλατφόρμα Huawei’s Ascend και το toolkit CANN.

Στο τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν και ρυθμίσουν το περιβάλλον ανάπτυξης CANN.
• Αναπτύξουν AI εφαρμογές χρησιμοποιώντας MindSpore και CloudMatrix διαδικασίες.
• Τροποποιήσουν την επίδοση στου Ascend NPUs χρησιμοποιώντας προσαρμοστικά αποδείξεις και tiling.
• Αντικαταστήσουν τα μοντέλα σε edge ή cloud περιβάλλοντα.

Σχήμα της διδασκαλίας

• Επικοινωνητικό μάθημα και συζήτηση.
• Χειρότεχνη χρήση Huawei Ascend και CANN toolkit σε δείγματα εφαρμογών.
• Οδηγημένες ασκήσεις που επικεντρώνονται στην κατασκευή, εκπαίδευση, και ρύθμιση μοντέλων.

Προσαρμογή της διδασκαλίας

• Για να ζητήσετε προσαρμοστική εκπαίδευση για αυτό το μάθημα βασισμένο στην υποδομή ή δεδομένα σας, παρακαλώ επικοινωνήστε μαζί μας για να καθορίσετε.

Οι Biren AI Accelerators είναι υψηλής επέκτασης GPUs που σχεδιάστηκαν για λειτουργίες AI και HPC με υποστήριξη για μεγάλη κλίμακα εκπαίδευσης και αποδοχή.

Αυτό το ζωντανό διδασκαλία (διαδικτύου ή σε χώρο) είναι προσανατολισμένο σε ανάπτυξη μεταξύ κεντρικής και προχωρημένης επίπεδου που θέλουν να πρόγραμμα και τεκμηριώσουν εφαρμογές χρησιμοποιώντας το δικτύωμα GPU αυτοχειρεία Biren, με πρακτικά συγκριματικά CUDA-based περιβάλλοντα.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Συνειδητοποιήσουν την αρχιτεκτονική Biren GPU και την ιεραρχία μνήμης.
• Εγκαταστήσουν το περιβάλλον ανάπτυξης και να χρησιμοποιήσουν το μοντέλο προγραμματισμού Biren.
• Μεταφράσουν και τεκμηριώσουν CUDA-style κώδικα για πλατφόρμες Biren.
• Εφαρμόσουν τεχνικές επιτάχυνσης και αποκατάστασης.

Σχήμα της Εκπαίδευσης

• Εργαλειώδεις διαλέξεις και συζητήσεις.
• Πρακτική χρήση Biren SDK σε παραδείγματα GPU λειτουργιών.
• Οδηγούμενες ασκήσεις με κέντρο την μετάφραση και επιτάχυνση παραγωγικότητας.

Επιλογές Προσαρμογής της Εκπαίδευσης

• Για να αιτηθεί μια προσαρμοσμένη εκπαίδευση για αυτή την ομάδα βασισμένη στο δικό σας δικτύωμα εφαρμογών ή χρεώσεις κλίμακας, παρακαλώ επικοινωνήστε μαζί μας για να διορθωθεί.

Οι Cambricon MLUs (Machine Learning Units) είναι ειδικοποιημένα AI χιπ που οργανωθήκανε για συμπεράσματα και εκπαίδευση σε περιπτώσεις edge και datacenter.

Αυτό το ζωντανό διδασκαλικό μάθημα (online ή live) είναι προσανατολισμένο σε μεσαίου επίπεδου αναπτυξτές που θέλουν να κατασκευάσουν και να εγκαταστήσουν AI μοντέλα χρησιμοποιώντας το πλαίσιο BANGPy και Neuware SDK στο Cambricon MLU hardware.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εγκαταστήσουν και ρυθμίσουν τα περιβάλλοντα ανάπτυξης BANGPy και Neuware.
• Αναπτύξουν και βελτιώσουν μοντέλα βασισμένα στο Python και C++ για Cambricon MLUs.
• Εγκαταστήσουν τα μοντέλα σε edge και data center εξόδια που λειτουργούν με Neuware runtime.
• Συμβάλλουν στην ολοκλήρωση ML workflows με χαρακτηριστικά επιτάχυνσης που είναι κυριότερα για το MLU.

Μορφή του μαθήματος

• Επικοινωνητική ομιλία και συζήτηση.
• Πρακτική χρήση του BANGPy και Neuware για ανάπτυξη και εγκατάσταση.
• Οδηγούμενες ασκήσεις που συγκεντρώνονται στη βελτίωση, ολοκλήρωση και δοκιμή.

Προεπιλεγμένες επιλογές μαθήματος

• Για να ζητήσετε προσαρμοσμένη εκπαίδευση για αυτό το μάθημα βασισμένη στο Cambricon device model ή χρήση, καταλάβετε παρακαλώ να επικοινωνήσετε μαζί μας για τη διάρθρωση.

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 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.