Εκπαίδευση GPU στην Ελλάδα

Huawei Ascend είναι μια οικογένεια επεξεργαστών τεχνητής νοημοσύνης, σχεδιασμένη για εκτέλεση υψηλών επιδόσεων σε εργασίες συμπερασμού και εκπαίδευσης.

Αυτό το ζωντανό εκπαιδευτικό πρόγραμμα με εκπαιδευτή (online ή σε φυσική παρουσία) απευθύνεται σε μηχανικούς τεχνητής νοημοσύνης και επιστήμονες δεδομένων μεσαίου επιπέδου, που επιθυμούν να αναπτύξουν και να βελτιστοποιήσουν μοντέλα νευρωνικών δικτύων χρησιμοποιώντας την πλατφόρμα Ascend της Huawei και την εργαλειοθήκη CANN.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρύθμιση και διαμόρφωση του περιβάλλοντος ανάπτυξης CANN.
• Ανάπτυξη εφαρμογών τεχνητής νοημοσύνης με χρήση των ροών εργασίας MindSpore και CloudMatrix.
• Βελτιστοποίηση απόδοσης σε NPU Ascend με χρήση προσαρμοσμένων τελεστών και τεχνικής πλακιδίων (tiling).
• Ανάπτυξη μοντέλων σε περιβάλλοντα αιχμής (edge) ή cloud.

Μορφή του Σεμιναρίου

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική εξάσκηση με χρήση των Huawei Ascend και CANN toolkit σε παραδείγματα εφαρμογών.
• Καθοδηγούμενες ασκήσεις που εστιάζουν στη δημιουργία, εκπαίδευση και ανάπτυξη μοντέλων.

Επιλογές Προσαρμογής του Σεμιναρίου

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το σεμινάριο βάσει της υποδομής ή των συνόλων δεδομένων σας, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσουμε.

Η στοίβα τεχνητής νοημοσύνης της Huawei — από το χαμηλού επιπέδου SDK CANN έως το πλαίσιο MindSpore υψηλού επιπέδου — προσφέρει ένα στενά ολοκληρωμένο περιβάλλον ανάπτυξης και εφαρμογής ΤΝ, βελτιστοποιημένο για το υλικό Ascend.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (διαδικτυακά ή με φυσική παρουσία) απευθύνεται σε αρχάριους έως μεσαίου επιπέδου τεχνικούς επαγγελματίες που επιθυμούν να κατανοήσουν πώς τα στοιχεία CANN και MindSpore συνεργάζονται για να υποστηρίξουν τη διαχείριση του κύκλου ζωής της ΤΝ και τις αποφάσεις υποδομής.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήσουν την αρχιτεκτονική κατά επίπεδα της στοίβας υπολογιστικής ΤΝ της Huawei.
• Αναγνωρίσουν πώς το CANN υποστηρίζει τη βελτιστοποίηση μοντέλων και την εφαρμογή σε επίπεδο υλικού.
• Αξιολογήσουν το πλαίσιο MindSpore και την αλυσίδα εργαλείων σε σχέση με εναλλακτικές λύσεις του κλάδου.
• Τοποθετήσουν τη στοίβα ΤΝ της Huawei σε επιχειρηματικά ή cloud/on-prem περιβάλλοντα.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Ζωντανές επιδείξεις συστήματος και παρουσιάσεις βασισμένες σε περιπτώσεις.
• Προαιρετικά καθοδηγούμενα εργαστήρια για τη ροή μοντέλων από το MindSpore στο CANN.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το οργανώσουμε.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή σε Ελλάδα (διαδικτυακά ή στον χώρο σας), 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 την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν ένα περιβάλλον ανάπτυξης OpenACC.
• Γράψουν και να εκτελέσουν ένα βασικό πρόγραμμα OpenACC.
• Σχολιάσουν τον κώδικα με οδηγίες και ρήτρες OpenACC.
• Χρησιμοποιήσουν το API και τις βιβλιοθήκες OpenACC.
• Αναλύσουν, εκσφαλματώσουν και βελτιστοποιήσουν προγράμματα OpenACC.

Το CANN SDK (Compute Architecture for Neural Networks) προσφέρει ισχυρά εργαλεία ανάπτυξης και βελτιστοποίησης για εφαρμογές τεχνητής νοημοσύνης σε πραγματικό χρόνο στην υπολογιστική όραση και το NLP, ιδιαίτερα στο υλικό Huawei Ascend.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (online ή δια ζώσης), απευθύνεται σε επαγγελματίες τεχνητής νοημοσύνης μεσαίου επιπέδου που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να βελτιστοποιήσουν μοντέλα όρασης και γλώσσας χρησιμοποιώντας το CANN SDK για παραγωγικές περιπτώσεις χρήσης.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να αναπτύσσουν και να βελτιστοποιούν μοντέλα υπολογιστικής όρασης (CV) και NLP χρησιμοποιώντας το CANN και το AscendCL.
• Να χρησιμοποιούν τα εργαλεία CANN για να μετατρέπουν μοντέλα και να τα ενσωματώνουν σε ζωντανά pipelines.
• Να βελτιστοποιούν την απόδοση inference για εργασίες όπως η ανίχνευση, η ταξινόμηση και η ανάλυση συναισθημάτων.
• Να κατασκευάζουν pipelines υπολογιστικής όρασης/NLP σε πραγματικό χρόνο για σενάρια ανάπτυξης στο edge ή στο cloud.

Μορφή της Εκπαίδευσης

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτικό εργαστήριο με ανάπτυξη μοντέλων και ανάλυση απόδοσης.
• Σχεδιασμός ζωντανών pipelines χρησιμοποιώντας πραγματικές περιπτώσεις χρήσης υπολογιστικής όρασης και NLP.

Επιλογές Προσαρμογής του Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Αυτή η εκπαίδευση με εκπαιδευτή, σε πραγματικό χρόνο, στη Ελλάδα (online ή δια ζώσης) απευθύνεται σε προγραμματιστές αρχικού έως ενδιάμεσου επιπέδου που επιθυμούν να μάθουν τα βασικά του προγραμματισμού GPU και τα κύρια πλαίσια και εργαλεία για την ανάπτυξη εφαρμογών GPU.

• Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
  Να κατανοήσουν τη διαφορά μεταξύ υπολογισμών CPU και GPU και τα οφέλη και τις προκλήσεις του προγραμματισμού GPU.
• Να επιλέξουν το κατάλληλο πλαίσιο και εργαλείο για την εφαρμογή GPU τους.
• Να δημιουργήσουν ένα βασικό πρόγραμμα GPU που εκτελεί πρόσθεση διανυσμάτων χρησιμοποιώντας ένα ή περισσότερα από τα πλαίσια και εργαλεία.
• Να χρησιμοποιήσουν τα αντίστοιχα API, γλώσσες και βιβλιοθήκες για να αναζητήσουν πληροφορίες συσκευής, να εκχωρήσουν και να αποδεσμεύσουν μνήμη συσκευής, να αντιγράψουν δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινήσουν πυρήνες (kernels) και να συγχρονίσουν νήματα.
• Να χρησιμοποιήσουν τους αντίστοιχους χώρους μνήμης, όπως καθολική (global), τοπική (local), σταθερή (constant) και ιδιωτική (private), για να βελτιστοποιήσουν τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Να χρησιμοποιήσουν τα αντίστοιχα μοντέλα εκτέλεσης, όπως στοιχεία εργασίας (work-items), ομάδες εργασίας (work-groups), νήματα (threads), μπλοκ (blocks) και πλέγματα (grids), για να ελέγξουν τον παραλληλισμό.
• Να διορθώνουν σφάλματα (debug) και να δοκιμάζουν προγράμματα GPU χρησιμοποιώντας εργαλεία όπως CodeXL, CUDA-GDB, CUDA-MEMCHECK και NVIDIA Nsight.
• Να βελτιστοποιήσουν προγράμματα GPU χρησιμοποιώντας τεχνικές όπως συνένωση (coalescing), προσωρινή αποθήκευση (caching), προφόρτωση (prefetching) και καταγραφή προφίλ (profiling).

Το CANN TIK (Tensor Instruction Kernel) και το Apache TVM επιτρέπουν την προηγμένη βελτιστοποίηση και προσαρμογή των τελεστών μοντέλων AI για το υλικό Huawei Ascend.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (online ή onsite), απευθύνεται σε προγραμματιστές συστημάτων προχωρημένου επιπέδου που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να ρυθμίσουν προσαρμοσμένους τελεστές για μοντέλα AI χρησιμοποιώντας το μοντέλο προγραμματισμού TIK του CANN και την ενσωμάτωση του μεταγλωττιστή TVM.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να γράφουν και να δοκιμάζουν προσαρμοσμένους τελεστές AI χρησιμοποιώντας τη γλώσσα TIK DSL για επεξεργαστές Ascend.
• Να ενσωματώνουν προσαρμοσμένους τελεστές στο χρόνο εκτέλεσης CANN και στο γράφημα εκτέλεσης.
• Να χρησιμοποιούν το TVM για το χρονοπρογραμματισμό τελεστών, την αυτόματη ρύθμιση και την αξιολόγηση επιδόσεων.
• Να διορθώνουν σφάλματα και να βελτιστοποιούν την απόδοση σε επίπεδο εντολών για προσαρμοσμένα μοτίβα υπολογισμού.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτική κωδικοποίηση τελεστών με χρήση αγωγών TIK και TVM.
• Δοκιμές και ρύθμιση σε υλικό Ascend ή προσομοιωτές.

Επιλογές Προσαρμογής του Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Αυτή η εκπαίδευση με εισηγητή, σε πραγματικό χρόνο στο Ελλάδα (online ή δια ζώσης) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν διαφορετικά πλαίσια (frameworks) για προγραμματισμό GPU και να συγκρίνουν τα χαρακτηριστικά, τις επιδόσεις και τη συμβατότητά τους.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να ρυθμίσουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει το OpenCL SDK, το CUDA Toolkit, την πλατφόρμα ROCm, μια συσκευή που υποστηρίζει OpenCL, CUDA ή ROCm, και το Visual Studio Code.
• Να δημιουργήσουν ένα βασικό πρόγραμμα GPU που εκτελεί πρόσθεση διανυσμάτων χρησιμοποιώντας OpenCL, CUDA και ROCm, και να συγκρίνουν τη σύνταξη, τη δομή και την εκτέλεση κάθε framework.
• Να χρησιμοποιούν τα αντίστοιχα API για ερωτήματα πληροφοριών συσκευής, δέσμευση και αποδέσμευση μνήμης συσκευής, αντιγραφή δεδομένων μεταξύ host και device, εκκίνηση kernels και συγχρονισμό νημάτων.
• Να χρησιμοποιούν τις αντίστοιχες γλώσσες για να γράφουν kernels που εκτελούνται στη συσκευή και χειρίζονται δεδομένα.
• Να χρησιμοποιούν τις αντίστοιχες ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες για την εκτέλεση συνήθων εργασιών και λειτουργιών.
• Να χρησιμοποιούν τους αντίστοιχους χώρους μνήμης, όπως καθολική (global), τοπική (local), σταθερή (constant) και ιδιωτική (private), για βελτιστοποίηση μεταφορών δεδομένων και προσβάσεων μνήμης.
• Να χρησιμοποιούν τα αντίστοιχα μοντέλα εκτέλεσης για τον έλεγχο των νημάτων (threads), των μπλοκ (blocks) και των πλεγμάτων (grids) που ορίζουν τον παραλληλισμό.
• Να αποσφαλματώνουν και να δοκιμάζουν προγράμματα GPU χρησιμοποιώντας εργαλεία όπως CodeXL, CUDA-GDB, CUDA-MEMCHECK και NVIDIA Nsight.
• Να βελτιστοποιούν προγράμματα GPU χρησιμοποιώντας τεχνικές όπως coalescing, caching, prefetching και profiling.

Το CloudMatrix είναι η ενοποιημένη πλατφόρμα ανάπτυξης και ανάπτυξης Τεχνητής Νοημοσύνης της Huawei, σχεδιασμένη για να υποστηρίζει κλιμακούμενους, παραγωγικού επιπέδου αγωγούς συμπερασμού.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (online ή onsite), απευθύνεται σε επαγγελματίες Τεχνητής Νοημοσύνης αρχάριου έως μεσαίου επιπέδου που επιθυμούν να αναπτύξουν και να παρακολουθούν μοντέλα ΤΝ χρησιμοποιώντας την πλατφόρμα CloudMatrix με ενσωμάτωση CANN και MindSpore.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να χρησιμοποιούν το CloudMatrix για συσκευασία, ανάπτυξη και εξυπηρέτηση μοντέλων.
• Να μετατρέπουν και να βελτιστοποιούν μοντέλα για τα chipset Ascend.
• Να δημιουργούν αγωγούς για εργασίες συμπερασμού πραγματικού χρόνου και παρτίδας.
• Να παρακολουθούν τις αναπτύξεις και να ρυθμίζουν την απόδοση σε περιβάλλοντα παραγωγής.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική χρήση του CloudMatrix με πραγματικά σενάρια ανάπτυξης.
• Καθοδηγούμενες ασκήσεις εστιασμένες στη μετατροπή, βελτιστοποίηση και κλιμάκωση.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα με βάση την υποδομή ΤΝ ή το περιβάλλον cloud σας, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσουμε.

Η εργαλειοθήκη Ascend CANN της Huawei επιτρέπει ισχυρή εξαγωγή συμπερασμάτων AI σε συσκευές edge όπως το Ascend 310. Το CANN παρέχει βασικά εργαλεία για μεταγλώττιση, βελτιστοποίηση και ανάπτυξη μοντέλων εκεί όπου οι πόροι υπολογισμού και μνήμης είναι περιορισμένοι.

Αυτή η ζωντανή εκπαίδευση με εκπαιδευτή (online ή δια ζώσης) απευθύνεται σε προγραμματιστές AI και integrators μεσαίου επιπέδου που επιθυμούν να αναπτύξουν και να βελτιστοποιήσουν μοντέλα σε συσκευές edge Ascend χρησιμοποιώντας την εργαλειοαλυσίδα CANN.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Προετοιμάζουν και μετατρέπουν μοντέλα AI για το Ascend 310 χρησιμοποιώντας εργαλεία CANN.
• Δημιουργούν ελαφριές pipelines εξαγωγής συμπερασμάτων χρησιμοποιώντας MindSpore Lite και AscendCL.
• Βελτιστοποιούν την απόδοση μοντέλων για περιβάλλοντα με περιορισμένους υπολογιστικούς πόρους και μνήμη.
• Αναπτύσσουν και παρακολουθούν εφαρμογές AI σε πραγματικές περιπτώσεις χρήσης edge.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτική εργαστηριακή άσκηση με μοντέλα και σενάρια ειδικά για edge.
• Ζωντανά παραδείγματα ανάπτυξης σε εικονικό ή φυσικό υλικό edge.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Αυτή η εκπαίδευση υπό την καθοδήγηση εκπαιδευτή, ζωντανά σε Ελλάδα (διαδικτυακά ή με φυσική παρουσία), απευθύνεται σε προγραμματιστές αρχάριου έως μεσαίου επιπέδου που επιθυμούν να εγκαταστήσουν και να χρησιμοποιήσουν το ROCm στα Windows για να προγραμματίσουν κάρτες γραφικών AMD και να εκμεταλλευθούν τον παραλληλισμό τους.

Μετά το πέρας της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να στήνουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει την πλατφόρμα ROCm, μια κάρτα γραφικών AMD και το Visual Studio Code σε Windows.
• Να δημιουργούν ένα βασικό πρόγραμμα ROCm που εκτελεί πρόσθεση διανυσμάτων στην GPU και ανακτά τα αποτελέσματα από τη μνήμη της GPU.
• Να χρησιμοποιούν το API του ROCm για να αναζητούν πληροφορίες συσκευής, να εκχωρούν και να αποδεσμεύουν μνήμη συσκευής, να αντιγράφουν δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινούν πυρήνες (kernels) και να συγχρονίζουν νήματα.
• Να χρησιμοποιούν τη γλώσσα HIP για να γράφουν πυρήνες που εκτελούνται στην GPU και επεξεργάζονται δεδομένα.
• Να χρησιμοποιούν ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες της HIP για την εκτέλεση κοινών εργασιών και λειτουργιών.
• Να χρησιμοποιούν τους χώρους μνήμης ROCm και HIP, όπως την καθολική, την κοινόχρηστη, τη σταθερή και την τοπική, για να βελτιστοποιούν τις μεταφορές δεδομένων και την πρόσβαση στη μνήμη.
• Να χρησιμοποιούν τα μοντέλα εκτέλεσης ROCm και HIP για τον έλεγχο των νημάτων, των μπλοκ και των πλεγμάτων που ορίζουν τον παραλληλισμό.
• Να αποσφαλματώνουν και να δοκιμάζουν προγράμματα ROCm και HIP χρησιμοποιώντας εργαλεία όπως το ROCm Debugger και το ROCm Profiler.
• Να βελτιστοποιούν προγράμματα ROCm και HIP χρησιμοποιώντας τεχνικές όπως η συνένωση (coalescing), η προσωρινή αποθήκευση (caching), η προφόρτωση (prefetching) και η καταγραφή προφίλ (profiling).

Αυτή η εκπαίδευση με εισηγητή, ζωντανά σε Ελλάδα (online ή onsite), απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν τα ROCm και HIP για τον προγραμματισμό των GPU της AMD και να εκμεταλλευτούν την παραλληλία τους.

Μετά το πέρας αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να εγκαταστήσουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει την πλατφόρμα ROCm, μια GPU της AMD και το Visual Studio Code.
• Να δημιουργήσουν ένα βασικό πρόγραμμα ROCm που εκτελεί πρόσθεση διανυσμάτων στην GPU και ανακτά τα αποτελέσματα από τη μνήμη της GPU.
• Να χρησιμοποιήσουν το API του ROCm για να αναζητούν πληροφορίες συσκευής, να εκχωρούν και να αποδεσμεύουν μνήμη συσκευής, να αντιγράφουν δεδομένα μεταξύ κεντρικού υπολογιστή και συσκευής, να εκκινούν πυρήνες και να συγχρονίζουν νήματα.
• Να χρησιμοποιήσουν τη γλώσσα HIP για να γράφουν πυρήνες που εκτελούνται στην GPU και χειρίζονται δεδομένα.
• Να χρησιμοποιήσουν τις ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες της HIP για την εκτέλεση κοινών εργασιών και λειτουργιών.
• Να χρησιμοποιήσουν τους χώρους μνήμης των ROCm και HIP, όπως global, shared, constant, local, για να βελτιστοποιήσουν τις μεταφορές δεδομένων και τις προσβάσεις στη μνήμη.
• Να χρησιμοποιήσουν τα μοντέλα εκτέλεσης των ROCm και HIP για να ελέγχουν τα νήματα, τα μπλοκ και τα πλέγματα που ορίζουν την παραλληλία.
• Να αποσφαλματώνουν και να δοκιμάζουν προγράμματα ROCm και HIP χρησιμοποιώντας εργαλεία όπως το ROCm Debugger και το ROCm Profiler.
• Να βελτιστοποιούν προγράμματα ROCm και HIP χρησιμοποιώντας τεχνικές όπως coalescing, caching, prefetching και profiling.

CANN (Compute Architecture for Neural Networks) είναι η εργαλειοθήκη υπολογιστικής τεχνητής νοημοσύνης της Huawei που χρησιμοποιείται για τη μεταγλώττιση, βελτιστοποίηση και ανάπτυξη μοντέλων AI σε επεξεργαστές Ascend AI.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (διαδικτυακά ή με φυσική παρουσία), απευθύνεται σε προγραμματιστές AI αρχαρίου επιπέδου που επιθυμούν να κατανοήσουν πώς το CANN εντάσσεται στον κύκλο ζωής του μοντέλου, από την εκπαίδευση έως την ανάπτυξη, και πώς λειτουργεί με πλαίσια όπως τα MindSpore, TensorFlow και PyTorch.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τον σκοπό και την αρχιτεκτονική της εργαλειοθήκης CANN.
• Ρυθμίζουν ένα περιβάλλον ανάπτυξης με το CANN και το MindSpore.
• Μετατρέπουν και αναπτύσσουν ένα απλό μοντέλο AI στο υλικό Ascend.
• Αποκτούν βασικές γνώσεις για μελλοντικά έργα βελτιστοποίησης ή ενσωμάτωσης του CANN.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτικά εργαστήρια με ανάπτυξη απλών μοντέλων.
• Βήμα-βήμα επίδειξη της αλυσίδας εργαλείων CANN και των σημείων ενσωμάτωσης.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Οι Ascend, Biren και Cambricon είναι κορυφαίες πλατφόρμες υλικού τεχνητής νοημοσύνης στην Κίνα, καθεμία προσφέροντας μοναδικά εργαλεία επιτάχυνσης και ανάλυσης για φόρτους εργασίας ΤΝ παραγωγικής κλίμακας.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά (διαδικτυακά ή στον χώρο σας), απευθύνεται σε μηχανικούς υποδομών ΤΝ και απόδοσης προχωρημένου επιπέδου που επιθυμούν να βελτιστοποιήσουν ροές εργασίας εξαγωγής συμπερασμάτων και εκπαίδευσης μοντέλων σε πολλαπλές κινεζικές πλατφόρμες τεχνητής νοημοσύνης.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να συγκρίνουν επιδόσεις μοντέλων σε πλατφόρμες Ascend, Biren και Cambricon.
• Να εντοπίζουν σημεία συμφόρησης του συστήματος και ανεπάρκειες μνήμης/υπολογισμών.
• Να εφαρμόζουν βελτιστοποιήσεις σε επίπεδο γράφου, πυρήνα και τελεστών.
• Να ρυθμίζουν διοχετεύσεις ανάπτυξης για βελτίωση της απόδοσης και της καθυστέρησης.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική χρήση εργαλείων ανάλυσης και βελτιστοποίησης σε κάθε πλατφόρμα.
• Καθοδηγούμενες ασκήσεις εστιασμένες σε πρακτικά σενάρια ρύθμισης.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα με βάση το περιβάλλον απόδοσής σας ή τον τύπο μοντέλου σας, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Το CANN SDK (Compute Architecture for Neural Networks) είναι η υποδομή τεχνητής νοημοσύνης της Huawei που επιτρέπει στους προγραμματιστές να ρυθμίζουν λεπτομερώς και να βελτιστοποιούν την απόδοση των αναπτυγμένων νευρωνικών δικτύων σε επεξεργαστές Ascend AI.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά (διαδικτυακά ή σε φυσικό χώρο), απευθύνεται σε προχωρημένους προγραμματιστές τεχνητής νοημοσύνης και μηχανικούς συστημάτων που επιθυμούν να βελτιστοποιήσουν την απόδοση εξαγωγής συμπερασμάτων χρησιμοποιώντας τα προηγμένα εργαλεία του CANN, συμπεριλαμβανομένων των Graph Engine, TIK και της ανάπτυξης προσαρμοσμένων τελεστών.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν την αρχιτεκτονική χρόνου εκτέλεσης και τον κύκλο ζωής απόδοσης του CANN.
• Χρησιμοποιούν εργαλεία προφίλ και το Graph Engine για ανάλυση απόδοσης και βελτιστοποίηση.
• Δημιουργούν και βελτιστοποιούν προσαρμοσμένους τελεστές χρησιμοποιώντας TIK και TVM.
• Επιλύουν συμφόρηση μνήμης και βελτιώνουν τη διέλευση μοντέλων.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτικά εργαστήρια με προφίλ σε πραγματικό χρόνο και ρύθμιση τελεστών.
• Ασκήσεις βελτιστοποίησης με χρήση παραδειγμάτων ανάπτυξης σε ακραίες περιπτώσεις.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να το κανονίσουμε.

Οι κινεζικές αρχιτεκτονικές GPU, όπως οι Huawei Ascend, Biren και Cambricon MLU, προσφέρουν εναλλακτικές λύσεις CUDA προσαρμοσμένες στις τοπικές αγορές τεχνητής νοημοσύνης και υπολογιστικής υψηλών επιδόσεων.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά (online ή σε φυσική παρουσία), απευθύνεται σε προχωρημένους προγραμματιστές GPU και ειδικούς υποδομών που επιθυμούν να μεταφέρουν και να βελτιστοποιήσουν υπάρχουσες εφαρμογές CUDA για χρήση σε κινεζικές πλατφόρμες υλικού.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να αξιολογούν τη συμβατότητα των υπαρχόντων φόρτων εργασίας CUDA με εναλλακτικά κινεζικά τσιπ.
• Να μεταφέρουν κώδικα CUDA σε περιβάλλοντα Huawei CANN, Biren SDK και Cambricon BANGPy.
• Να συγκρίνουν τις επιδόσεις και να εντοπίζουν σημεία βελτιστοποίησης σε διάφορες πλατφόρμες.
• Να αντιμετωπίζουν πρακτικές προκλήσεις στην υποστήριξη cross-architecture και στην ανάπτυξη.

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Εργαστήρια πρακτικής μετάφρασης κώδικα και σύγκρισης επιδόσεων.
• Καθοδηγούμενες ασκήσεις που εστιάζουν σε στρατηγικές προσαρμογής πολλαπλών GPU.

Επιλογές προσαρμογής μαθήματος

• Για να ζητήσετε εξατομικευμένη εκπαίδευση για αυτό το μάθημα βάσει της πλατφόρμας ή του έργου σας CUDA, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσετε.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά σε Ελλάδα (online ή επιτόπια) απευθύνεται σε προγραμματιστές αρχικού έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν το CUDA για να προγραμματίσουν κάρτες γραφικών NVIDIA και να εκμεταλλευτούν τον παραλληλισμό τους.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να ρυθμίσουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει το CUDA Toolkit, μια κάρτα γραφικών NVIDIA και το Visual Studio Code.
• Να δημιουργήσουν ένα βασικό πρόγραμμα CUDA που εκτελεί πρόσθεση διανυσμάτων στη GPU και ανακτά τα αποτελέσματα από τη μνήμη της GPU.
• Να χρησιμοποιούν το CUDA API για την αναζήτηση πληροφοριών συσκευής, την δέσμευση και αποδέσμευση μνήμης συσκευής, την αντιγραφή δεδομένων μεταξύ κεντρικού υπολογιστή και συσκευής, την εκκίνηση πυρήνων και τον συγχρονισμό νημάτων.
• Να χρησιμοποιούν τη γλώσσα CUDA C/C++ για τη συγγραφή πυρήνων που εκτελούνται στη GPU και επεξεργάζονται δεδομένα.
• Να χρησιμοποιούν ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες του CUDA για την εκτέλεση κοινών εργασιών και λειτουργιών.
• Να χρησιμοποιούν τους χώρους μνήμης του CUDA, όπως global, shared, constant και local, για τη βελτιστοποίηση των μεταφορών δεδομένων και των προσβάσεων στη μνήμη.
• Να χρησιμοποιούν το μοντέλο εκτέλεσης του CUDA για τον έλεγχο των νημάτων, των μπλοκ και των πλεγμάτων που ορίζουν τον παραλληλισμό.
• Να εντοπίζουν και να δοκιμάζουν προγράμματα CUDA χρησιμοποιώντας εργαλεία όπως το CUDA-GDB, το CUDA-MEMCHECK και το NVIDIA Nsight.
• Να βελτιστοποιούν προγράμματα CUDA χρησιμοποιώντας τεχνικές όπως coalescing, caching, prefetching και profiling.

97% ικανοποιημένοι πελάτες.

Το CANN (Compute Architecture for Neural Networks) είναι η υπολογιστική στοίβα AI της Huawei για την ανάπτυξη και βελτιστοποίηση μοντέλων AI σε επεξεργαστές Ascend AI.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά (online ή δια ζώσης) απευθύνεται σε προγραμματιστές και μηχανικούς AI μεσαίου επιπέδου που επιθυμούν να αναπτύξουν αποδοτικά εκπαιδευμένα μοντέλα AI σε υλικό Huawei Ascend χρησιμοποιώντας την εργαλειοθήκη CANN και εργαλεία όπως τα MindSpore, TensorFlow ή PyTorch.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν την αρχιτεκτονική του CANN και τον ρόλο του στη ροή ανάπτυξης μοντέλων AI.
• Μετατρέπουν και προσαρμόζουν μοντέλα από δημοφιλή πλαίσια σε μορφές συμβατές με το Ascend.
• Χρησιμοποιούν εργαλεία όπως το ATC, η μετατροπή μοντέλων OM και το MindSpore για συμπερασμό άκρων (edge) και υπολογιστικού νέφους.
• Διαγιγνώσκουν προβλήματα ανάπτυξης και βελτιστοποιούν την απόδοση σε υλικό Ascend.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτική εργαστηριακή εργασία με χρήση εργαλείων CANN και προσομοιωτών ή συσκευών Ascend.
• Πρακτικά σενάρια ανάπτυξης βασισμένα σε πραγματικά μοντέλα AI.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να την κανονίσουμε.

Οι Επιταχυντές Biren AI είναι GPU υψηλών επιδόσεων σχεδιασμένες για φόρτους εργασίας AI και HPC, με υποστήριξη για εκπαίδευση και συμπερασμό μεγάλης κλίμακας.

Αυτή η ζωντανή εκπαίδευση με εκπαιδευτή (online ή onsite) απευθύνεται σε προγραμματιστές μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να προγραμματίσουν και να βελτιστοποιήσουν εφαρμογές χρησιμοποιώντας την ιδιόκτητη στοίβα GPU της Biren, με πρακτικές συγκρίσεις με περιβάλλοντα που βασίζονται στο CUDA.

Μέχρι την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να κατανοούν την αρχιτεκτονική της GPU της Biren και την ιεραρχία μνήμης.
• Να ρυθμίζουν το περιβάλλον ανάπτυξης και να χρησιμοποιούν το μοντέλο προγραμματισμού της Biren.
• Να μεταφράζουν και να βελτιστοποιούν κώδικα σε στυλ CUDA για πλατφόρμες Biren.
• Να εφαρμόζουν τεχνικές συντονισμού απόδοσης και αποσφαλμάτωσης.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική χρήση του SDK της Biren σε δειγματικούς φόρτους εργασίας GPU.
• Καθοδηγούμενες ασκήσεις που επικεντρώνονται στη μεταφορά και τον συντονισμό απόδοσης.

Επιλογές Προσαρμογής του Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα με βάση τη στοίβα εφαρμογών σας ή τις ανάγκες ενσωμάτωσης, επικοινωνήστε μαζί μας για να κανονίσουμε.

Οι μονάδες μηχανικής μάθησης Cambricon MLU είναι εξειδικευμένα τσιπ τεχνητής νοημοσύνης βελτιστοποιημένα για συμπερασμό και εκπαίδευση σε σενάρια άκρου και κέντρων δεδομένων.

Αυτή η ζωντανή εκπαίδευση με εκπαιδευτή (διαδικτυακά ή σε φυσικό χώρο) απευθύνεται σε προγραμματιστές μεσαίου επιπέδου που επιθυμούν να κατασκευάζουν και να αναπτύσσουν μοντέλα τεχνητής νοημοσύνης χρησιμοποιώντας το πλαίσιο BANGPy και το Neuware SDK σε υλικό Cambricon MLU.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να εγκαθιστούν και να παραμετροποιούν τα περιβάλλοντα ανάπτυξης BANGPy και Neuware.
• Να αναπτύσσουν και να βελτιστοποιούν μοντέλα βασισμένα σε Python και C++ για τις MLU της Cambricon.
• Να αναπτύσσουν μοντέλα σε συσκευές άκρου και κέντρων δεδομένων που εκτελούν τον runtime Neuware.
• Να ενσωματώνουν ροές εργασίας μηχανικής μάθησης με τις δυνατότητες επιτάχυνσης που προσφέρουν ειδικά οι MLU.

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική εξάσκηση στη χρήση των BANGPy και Neuware για ανάπτυξη και υλοποίηση.
• Καθοδηγούμενες ασκήσεις εστιασμένες στη βελτιστοποίηση, την ενσωμάτωση και τον έλεγχο.

Επιλογές προσαρμογής του μαθήματος

• Για να ζητήσετε προσαρμοσμένη εκπαίδευση βασισμένη στο μοντέλο της συσκευής Cambricon ή στην περίπτωση χρήσης σας, παρακαλούμε επικοινωνήστε μαζί μας.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή Ελλάδα (διαδικτυακά ή δια ζώσης) απευθύνεται σε αρχάριους διαχειριστές συστημάτων και επαγγελματίες IT που επιθυμούν να εγκαταστήσουν, να ρυθμίσουν, να διαχειριστούν και να επιλύσουν προβλήματα σε περιβάλλοντα CUDA.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να κατανοήσουν την αρχιτεκτονική, τα στοιχεία και τις δυνατότητες του CUDA.
• Να εγκαταστήσουν και να ρυθμίσουν περιβάλλοντα CUDA.
• Να διαχειριστούν και να βελτιστοποιήσουν πόρους CUDA.
• Να διορθώσουν και να επιλύσουν συνηθισμένα προβλήματα CUDA.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά στο Ελλάδα (online ή onsite), απευθύνεται σε προγραμματιστές από αρχάριο έως μεσαίο επίπεδο που επιθυμούν να χρησιμοποιήσουν την OpenCL για τον προγραμματισμό ετερογενών συσκευών και την εκμετάλλευση της παραλληλίας τους.

Με το πέρας αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει το OpenCL SDK, μια συσκευή που υποστηρίζει OpenCL και το Visual Studio Code.
• Δημιουργήσουν ένα βασικό πρόγραμμα OpenCL που εκτελεί πρόσθεση διανυσμάτων στη συσκευή και ανακτά τα αποτελέσματα από τη μνήμη της συσκευής.
• Χρησιμοποιήσουν το OpenCL API για να ανακτούν πληροφορίες συσκευών, να δημιουργούν contexts, command queues, buffers, kernels και events.
• Χρησιμοποιήσουν τη γλώσσα OpenCL C για να γράφουν kernels που εκτελούνται στη συσκευή και χειρίζονται δεδομένα.
• Χρησιμοποιήσουν τις ενσωματωμένες συναρτήσεις, τις επεκτάσεις και τις βιβλιοθήκες της OpenCL για την εκτέλεση συνηθισμένων εργασιών και λειτουργιών.
• Χρησιμοποιήσουν τα μοντέλα μνήμης του host και της συσκευής για τη βελτιστοποίηση των μεταφορών δεδομένων και των προσβάσεων στη μνήμη.
• Χρησιμοποιήσουν το μοντέλο εκτέλεσης της OpenCL για τον έλεγχο των work-items, work-groups και ND-ranges.
• Εντοπίσουν και διορθώσουν σφάλματα σε προγράμματα OpenCL χρησιμοποιώντας εργαλεία όπως το CodeXL, το Intel VTune και το NVIDIA Nsight.
• Βελτιστοποιήσουν προγράμματα OpenCL χρησιμοποιώντας τεχνικές όπως διανυσματοποίηση, ξεδίπλωμα βρόχων, τοπική μνήμη και profiling.

Αυτό το εκπαιδευτικό πρόγραμμα με εισηγητή, ζωντανής διδασκαλίας στην Ελλάδα καλύπτει τον προγραμματισμό GPU για παράλληλη επεξεργασία, τη χρήση διαφόρων πλατφορμών, την εργασία με την πλατφόρμα CUDA και τα χαρακτηριστικά της, καθώς και την εφαρμογή τεχνικών βελτιστοποίησης με τη χρήση CUDA. Μερικές από τις εφαρμογές περιλαμβάνουν βαθιά μάθηση, αναλυτική, επεξεργασία εικόνας και εφαρμογές μηχανικής.