Διαδίκτυος GPU Καλλιέργεια στην Ελλάδα

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.

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).

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.

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.

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.

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 επιμελημένο από εκπαιδευτή, ζωντανό σεμινάριο στο Ελλάδα (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 Ελλάδα (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 Ελλάδα (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 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.