Τα εκπαιδευτικά σεμινάρια GPU (Μονάδα Επεξεργασίας Γραφικών) με εκπαιδευτή, είτε διαδικτυακά είτε επιτόπου, παρουσιάζουν μέσω διαδραστικής συζήτησης και πρακτικής εξάσκησης τις βασικές αρχές των GPU και τον τρόπο προγραμματισμού τους.
Η εκπαίδευση GPU διατίθεται ως "διαδικτυακή ζωντανή εκπαίδευση" ή "επιτόπια ζωντανή εκπαίδευση". Η διαδικτυακή ζωντανή εκπαίδευση (γνωστή και ως "απομακρυσμένη ζωντανή εκπαίδευση") πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας. Η επιτόπια ζωντανή εκπαίδευση μπορεί να πραγματοποιηθεί τοπικά στις εγκαταστάσεις του πελάτη στην Αθήνα ή στα εταιρικά εκπαιδευτικά κέντρα της NobleProg στην Αθήνα.
Πάρτε τη Γραμμή 3 του Μετρό (Μ3) από το Αεροδρόμιο με κατεύθυνση προς Δημοτικό Θέατρο.
Κατεβείτε στον σταθμό Ευαγγελισμός.
Η διεύθυνση βρίσκεται στη Λεωφόρο Βασιλίσσης Σοφίας, πολύ κοντά στον σταθμό. Ο σταθμός Ευαγγελισμός βρίσκεται ακριβώς πάνω στη λεωφόρο.
Υπολογίστε περίπου 40–50 λεπτά συνολικά, ανάλογα με τον χρόνο αναμονής και το περπάτημα.
Από τον Κεντρικό Σιδηροδρομικό Σταθμό Αθηνών (Σταθμός Λαρίσης)
Πάρτε το μετρό προς Σύνταγμα και αλλάξτε στη Γραμμή 3 με κατεύθυνση προς Δουκίσσης Πλακεντίας/Αεροδρόμιο.
Κατεβείτε στον σταθμό Ευαγγελισμός.
Περπατήστε μέχρι τον αριθμό 46.
Με λεωφορείο
Υπάρχουν αρκετά λεωφορεία που κινούνται κατά μήκος της Λεωφόρου Βασιλίσσης Σοφίας. Κοντινές στάσεις είναι η Ρηγίλλης και το Σύνταγμα, ενώ η περιοχή του Ευαγγελισμού εξυπηρετείται από πολλές λεωφορειακές γραμμές.
Το μετρό είναι γενικά η πιο απλή επιλογή, ειδικά αν ταξιδεύετε με αποσκευές.
Αυτή η εκπαίδευση με εισηγητή στο Αθήνα καθοδηγεί μηχανικούς τεχνητής νοημοσύνης μεσαίου επιπέδου στη δημιουργία και βελτιστοποίηση μοντέλων νευρωνικών δικτύων χρησιμοποιώντας την πλατφόρμα Huawei Ascend και την εργαλειοθήκη CANN. Οι συμμετέχοντες θα ρυθμίσουν περιβάλλοντα, θα αναπτύξουν εφαρμογές με το MindSpore και θα τα μεταφέρουν σε περιβάλλοντα άκρου ή cloud.
Αυτή η ζωντανή εκπαίδευση με εκπαιδευτή στο Αθήνα εξερευνά τη στοίβα ΤΝ της Huawei, από το SDK CANN έως το πλαίσιο MindSpore. Βοηθά αρχάριους και επαγγελματίες μεσαίου επιπέδου να κατανοήσουν πώς αυτά τα στοιχεία ενσωματώνονται σε υλικό Ascend για τη διαχείριση του κύκλου ζωής και την ανάπτυξη.
Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή σε Αθήνα (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.
Αυτή η εκπαίδευση με εισηγητή στο Αθήνα καλύπτει την ανάπτυξη και βελτιστοποίηση μοντέλων CV και NLP χρησιμοποιώντας το CANN SDK για υλικό Ascend. Οι συμμετέχοντες θα μάθουν να μετατρέπουν μοντέλα, να τα ενσωματώνουν σε ζωντανές σωληνώσεις εργασίας και να ενισχύουν την απόδοση συμπερασμού για ανίχνευση και ανάλυση σε πραγματικό χρόνο.
Αυτή η εκπαίδευση με εκπαιδευτή, σε πραγματικό χρόνο, στη Αθήνα (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).
Αυτή η εκπαίδευση με εισηγητή, ζωντανά στην Αθήνα, εξοπλίζει προχωρημένους προγραμματιστές με τις δεξιότητες να δημιουργούν, να αναπτύσσουν και να συντονίζουν προσαρμοσμένους τελεστές ΤΝ. Οι συμμετέχοντες θα κατακτήσουν την ενσωμάτωση CANN TIK και Apache TVM, επιτρέποντας προηγμένη βελτιστοποίηση και προγραμματισμό σε υλικό Huawei Ascend για πραγματική απόδοση.
Αυτή η εκπαίδευση με εισηγητή, σε πραγματικό χρόνο στο Αθήνα (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.
Αυτή η εκπαίδευση με εισηγητή στο Αθήνα εισάγει το CloudMatrix για κλιμακούμενη συμπερασματολογία ΤΝ. Μάθετε να αναπτύσσετε, να βελτιστοποιείτε και να παρακολουθείτε μοντέλα χρησιμοποιώντας CANN και MindSpore. Οι πρακτικές ασκήσεις καλύπτουν το πακετάρισμα, τη μετατροπή, την εξυπηρέτηση και τον συντονισμό απόδοσης για φόρτους εργασίας πραγματικού χρόνου και κατά παρτίδες.
Αυτή η ζωντανή εκπαίδευση με εισηγητή στην Αθήνα καλύπτει τις βασικές έννοιες και τα πρακτικά θεμέλια της ανάπτυξης μοντέλων τεχνητής νοημοσύνης σε συσκευές αιχμής Ascend χρησιμοποιώντας την εργαλειοθήκη CANN, βοηθώντας τους συμμετέχοντες να αποκτήσουν πρακτικές δεξιότητες για τη μεταγλώττιση, τη βελτιστοποίηση και τη διαχείριση περιορισμένων περιβαλλόντων.
Αυτή η εκπαίδευση υπό την καθοδήγηση εκπαιδευτή, ζωντανά σε Αθήνα (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 Αθήνα (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.
Αυτή η ζωντανή εκπαίδευση στο Αθήνα εισάγει την εργαλειοθήκη CANN για προγραμματιστές πλαισίων τεχνητής νοημοσύνης. Μάθετε να εγκαθιστάτε περιβάλλοντα, να μετατρέπετε μοντέλα και να αναπτύσσετε εφαρμογές σε υλικό Ascend χρησιμοποιώντας MindSpore, TensorFlow ή PyTorch, καλύπτοντας ολόκληρη τη ροή εργασίας από την εκπαίδευση έως την εξαγωγή συμπερασμάτων.
Βελτιστοποιήστε φόρτους εργασίας τεχνητής νοημοσύνης σε Ascend, Biren και Cambricon με αυτήν την πρακτική εκπαίδευση στο Αθήνα. Μάθετε να συγκρίνετε μοντέλα, να εντοπίζετε σημεία συμφόρησης και να εφαρμόζετε βελτιστοποιήσεις σε επίπεδο γράφου, πυρήνα και τελεστή. Ρυθμίστε αγωγούς ανάπτυξης για να βελτιώσετε την απόδοση και την καθυστέρηση σε αυτές τις κορυφαίες πλατφόρμες.
Βελτιστοποιήστε την απόδοση συμπερασμάτων νευρωνικών δικτύων σε επεξεργαστές AI Ascend με αυτό το προηγμένο, με οδηγία εκπαιδευτή σεμινάριο στο Αθήνα. Εξερευνήστε την αρχιτεκτονική λειτουργίας του CANN, εκμεταλλευόμενοι τον Graph Engine, το TIK και το TVM για προφίλινγκ, ανάπτυξη προσαρμοσμένων χειριστήρων και επίλυση πλαισίων μνήμης.
Μετεγκαταστήστε εφαρμογές CUDA σε κινεζικές αρχιτεκτονικές GPU όπως οι Huawei Ascend και Biren στο Αθήνα. Αυτό το μάθημα με εισηγητή καθοδηγεί προχωρημένους προγραμματιστές στη μετάφραση κώδικα και τη βελτιστοποίηση επιδόσεων, καλύπτοντας πρακτικά εργαστήρια για τη μεταφορά κώδικα CUDA σε νέα SDK.
Αυτό το εκπαιδευτικό σεμινάριο με ζωντανό εκπαιδευτή στο Αθήνα (τηλεμαθητικά ή παρουσία) απευθύνεται σε προγραμματιστές αρχαριούς έως ενδιάμεσης στάθμης που επιθυμούν να χρησιμοποιήσουν το CUDA για να προγραμματίσουν GPU της NVIDIA και να εκμεταλλευτούν την παράλληλη ικανότητά τους.
Στο τέλος αυτού του σεμιναρίου, οι συμμετέχοντες θα είναι ικανοί να:
Ρυθμίσουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει το CUDA Toolkit, μια GPU της NVIDIA και το Visual Studio Code.
Δημιουργήσουν ένα βασικό πρόγραμμα CUDA που εκτελεί πρόσθεση διανυσμάτων στην GPU και ανακτήσουν τα αποτελέσματα από τη μνήμη της GPU.
Χρησιμοποιήσουν το CUDA API για να ερωτηθούν πληροφορίες συσκευής, να αποδώσουν και να ακυρώσουν μνήμη συσκευής, να αντιγράψουν δεδομένα μεταξύ host και συσκευής, να εκτελέσουν kernels και να συγχρονίσουν νήματα.
Χρησιμοποιήσουν τη γλώσσα CUDA C/C++ για να γράψουν kernels που εκτελούνται στην GPU και να χειρίζονται δεδομένα.
Χρησιμοποιήσουν τις ενσωματωμένες συναρτήσεις, μεταβλητές και βιβλιοθήκες του CUDA για την εκτέλεση συνηθισμένων εργασιών και λειτουργιών.
Χρησιμοποιήσουν τους χώρους μνήμης του CUDA, όπως τους ολικούς, κοινούς, σταθερούς και τοπικούς, για να βελτιστοποιήσουν τις μεταφορές δεδομένων και τις προσβάσεις μνήμης.
Χρησιμοποιήσουν το μοντέλο εκτέλεσης του CUDA για να ελέγξουν τα νήματα, τα μπλοκ και τα πλέγματα που ορίζουν τη παράλληλη εκτέλεση.
Αποσφαλμάνουν και δοκιμάσουν προγράμματα CUDA χρησιμοποιώντας εργαλεία όπως το CUDA-GDB, το CUDA-MEMCHECK και το NVIDIA Nsight.
Βελτιστοποιήσουν προγράμματα CUDA χρησιμοποιώντας τεχνικές όπως συγχώνευση (coalescing), ταξινόμηση (caching), προεπιλογή (prefetching) και προφίλ (profiling).
Αυτή η ζωντανή εκπαίδευση στο Αθήνα καθοδηγεί προγραμματιστές τεχνητής νοημοσύνης μεσαίου επιπέδου στην ανάπτυξη μοντέλων σε επεξεργαστές Ascend χρησιμοποιώντας την εργαλειοθήκη CANN. Μάθετε να μετατρέπετε πλαίσια όπως PyTorch και TensorFlow, να βελτιστοποιείτε την απόδοση και να επιλύετε προβλήματα για αποτελεσματικά σενάρια συμπερασματολογίας σε edge και cloud.
Αυτή η ζωντανή εκπαίδευση σε Αθήνα εξοπλίζει τους προγραμματιστές με τις δεξιότητες να προγραμματίζουν και να βελτιστοποιούν εφαρμογές σε επιταχυντές τεχνητής νοημοσύνης Biren. Οι συμμετέχοντες θα μάθουν την αρχιτεκτονική της GPU, θα ρυθμίσουν το SDK και θα μεταφράσουν κώδικα CUDA σε Biren. Επικεντρώνεται σε τεχνικές βελτιστοποίησης απόδοσης και εκσφαλμάτωσης.
Αυτή η ζωντανή εκπαίδευση με εισηγητή σε Αθήνα εξοπλίζει τους προγραμματιστές με τις δεξιότητες να δημιουργούν και να αναπτύσσουν μοντέλα τεχνητής νοημοσύνης χρησιμοποιώντας BANGPy και Neuware σε Cambricon MLU. Οι συμμετέχοντες θα ρυθμίσουν περιβάλλοντα, θα αναπτύξουν βελτιστοποιημένα μοντέλα και θα ενσωματώσουν την επιτάχυνση MLU σε εφαρμογές ακραίων συσκευών και κέντρων δεδομένων.
Αυτή η εκπαίδευση με εισηγητή, ζωντανή Αθήνα (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.
Αυτό το ζωντανό σεμινάριο με εκπαιδευτή για Αθήνα (επικουρικό ή παρόν) απευθύνεται σε προγραμματιστές αρχαρίους έως μετρίου επιπέδου, οι οποίοι επιθυμούν να χρησιμοποιήσουν το OpenCL για τον προγραμματισμό ετερογενών συσκευών και να εκμεταλλευτούν τον παράλληλο χαρακτήρα τους.
Σε αυτό το σεμινάριο, οι συμμετέχοντες θα μπορούν:
Να διαμορφώσουν ένα περιβάλλον ανάπτυξης που περιλαμβάνει το SDK του OpenCL, μια συσκευή που υποστηρίζει το OpenCL και το Visual Studio Code.
Να δημιουργήσουν ένα βασικό πρόγραμμα OpenCL που εκτελεί πρόσθεση διανυσμάτων στη συσκευή και ανακτά τα αποτελέσματα από τη μνήμη της συσκευής.
Να χρησιμοποιήσουν το API του OpenCL για να ερωτηθούν πληροφορίες συσκευής, να δημιουργηθούν σύνοδοι, ουρές εντολών, buffers, kernels και γεγονότα.
Να χρησιμοποιήσουν τη γλώσσα OpenCL C για να γράψουν kernels που εκτελούνται στη συσκευή και χειρίζονται δεδομένα.
Να χρησιμοποιήσουν εσωτερικές συνάρτησεις, επεκτάσεις και βιβλιοθήκες του OpenCL για την εκτέλεση συνηθισμένων εργασιών και λειτουργιών.
Να χρησιμοποιήσουν τα μοντέλα μνήμης της κεντρικής μηχανής (host) και της συσκευής για να βελτιστοποιήσουν τις μεταφορές δεδομένων και τις προσβάσεις μνήμης.
Να χρησιμοποιήσουν το μοντέλο εκτέλεσης του OpenCL για να ελέγξουν τα στοιχεία εργασίας (work-items), τις ομάδες εργασίας (work-groups) και τα ND-ranges.
Να επιδιορθώσουν σφάλματα και να δοκιμάσουν προγράμματα OpenCL χρησιμοποιώντας εργαλεία όπως τα CodeXL, Intel VTune και NVIDIA Nsight.
Να βελτιστοποιήσουν προγράμματα OpenCL χρησιμοποιώντας τεχνικές όπως διανυσματικοποίηση, ανάπτυξη βρόχων, τοπική μνήμη και προφίλ.
Αυτό το επιμελημένο από εκπαιδευτή, ζωντανό σεμινάριο στο Αθήνα (διαδικτυακά ή σε εγκατάσταση) απευθύνεται σε προγραμματιστές C++ που επιθυμούν να χρησιμοποιήσουν το CUDA για την επιτάχυνση εφαρμογών, τη συγγραφή υψηλής απόδοσης GPU kernels και την εκμετάλλευση βιβλιοθηκών παράλληλων αλγόριθμων για υπολογιστικές επιστημονικές εργασίες, επεξεργασία δεδομένων και φορτία machine learning.
Αυτή η εκπαίδευση με επιβλέποντα εκπαιδευτή σε Αθήνα (σε πραγματικό χρόνο ή μέσω διαδικτύου) απευθύνεται σε προγραμματιστές C/C++ που επιθυμούν να χρησιμοποιήσουν το CUDA για την επιτάχυνση υπολογιστικά εντατικών εφαρμογών, συμπεριλαμβανομένης της επεξεργασίας δεδομένων, επιστημονικών προσομοιώσεων, φορτίων μηχανικής μάθησης και αλυσίδων επεξεργασίας εικόνας.
Αυτό η προγραμματισμένη κατ' ιδίαν εκπαίδευση σε Αθήνα (σε online ή onsite μορφή) απευθύνεται σε προγραμματιστές λογισμικού, αναλυτές δεδομένων και τεχνικούς επαγγελματίες που επιθυμούν να χρησιμοποιήσουν τα TensorFlow 2.x και Keras για την κατασκευή, εκπαίδευση και υλοποίηση μοντέλων βαθιάς μάθησης για οπτική αναγνώριση, επεξεργασία φυσικής γλώσσας και πολυμονικάσικές εφαρμογές.
Αυτό το εκπαιδευτικό πρόγραμμα με εισηγητή, ζωντανής διδασκαλίας στην Αθήνα 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.
Διάβασε περισσότερα...
Τελευταία Ενημέρωση:
Σχόλια (1)
Η ενέργεια και ο χυμορρησίας των εκπαιδευτών.
Tadeusz Kaluba - Nokia Solutions and Networks Sp. z o.o.
Διαδικτυακή εκπαίδευση GPU στο Αθήνα, Μαθήματα εκπαίδευσης Graphics Processing Unit (GPU) στο Αθήνα, Σαββατοκύριακα Graphics Processing Unit μαθήματα στο Αθήνα, Βραδινή εκπαίδευση GPU (Graphics Processing Unit) στο Αθήνα, Εκπαίδευση με εκπαιδευτή Graphics Processing Unit (GPU) στο Αθήνα, GPU (Graphics Processing Unit) ατομική εκπαίδευση στο Αθήνα, Graphics Processing Unit ιδιωτικά μαθήματα στο Αθήνα, Graphics Processing Unit καθοδήγηση στο Αθήνα, Graphics Processing Unit boot camp στο Αθήνα, Graphics Processing Unit δάσκαλος στο Αθήνα, Σαββατοκύριακο Graphics Processing Unit εκπαίδευση στο Αθήνα, Διαδικτυακή εκπαίδευση Graphics Processing Unit στο Αθήνα, GPU εκπαιδευτής στο Αθήνα, Graphics Processing Unit εκπαίδευση με εκπαιδευτή στο Αθήνα, Βραδινά Graphics Processing Unit (GPU) μαθήματα στο Αθήνα, Graphics Processing Unit δια ζώσης στο Αθήνα, Graphics Processing Unit (GPU) μαθήματα στο Αθήνα
