GPU Schulungen in Bern

Diese instruktionsgeleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die OpenACC nutzen möchten, um heterogene Geräte zu programmieren und deren Parallelität zu nutzen.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Entwicklungsumgebungen für OpenACC einrichten.
• Eine grundlegende OpenACC-Programm schreiben und ausführen.
• Code mit OpenACC-Anweisungen und Klauseln annotieren.
• OpenACC-API und -Bibliotheken verwenden.
• OpenACC-Programme profilieren, debuggen und optimieren.

Diese instruktorgeführte Live-Schulung in Bern (online oder vor Ort) richtet sich an Entwicklerinnen und Entwickler mit Basis- bis fortgeschrittenem Kenntnissen, die die Grundlagen der GPU-Programmierung sowie die wichtigsten Frameworks und Tools für die Entwicklung von GPU-Anwendungen erlernen möchten.

• Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
  Den Unterschied zwischen CPU- und GPU-Rechnen zu verstehen und die Vorteile sowie Herausforderungen der GPU-Programmierung zu erkennen.
• Das passende Framework und Tool für ihre jeweilige GPU-Anwendung auszuwählen.
• Ein grundlegendes GPU-Programm zu erstellen, das eine Vektoraddition mit einem oder mehreren der Frameworks und Tools durchführt.
• Die jeweiligen APIs, Sprachen und Bibliotheken zu nutzen, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernels auszuführen und Threads zu synchronisieren.
• Die verschiedenen Speicherbereiche wie globalen, lokalen, konstanten und privaten Speicher zu verwenden, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Die jeweiligen Ausführungsmodelle, wie Work-Items, Work-Groups, Threads, Blöcke und Grids, einzusetzen, um die Parallelität zu steuern.
• GPU-Programme mit Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight zu debuggen und zu testen.
• GPU-Programme durch Techniken wie Coalescing, Caching, Prefetching und Profiling zu optimieren.

Diese von Instruktoren geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Entwicklerinnen und Entwickler der Einstiegs- bis Mittelstufe, die verschiedene Frameworks für die GPU-Programmierung nutzen und deren Funktionen, Leistung und Kompatibilität vergleichen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• Eine Entwicklungsumgebung einzurichten, die das OpenCL SDK, das CUDA Toolkit, die ROCm-Plattform, ein Gerät, das OpenCL, CUDA oder ROCm unterstützt, sowie Visual Studio Code umfasst.
• Ein einfaches GPU-Programm zu erstellen, das eine Vektoraddition mit OpenCL, CUDA und ROCm durchführt, um Syntax, Struktur und Ausführung jedes Frameworks zu vergleichen.
• Die jeweiligen APIs zu nutzen, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernels zu starten und Threads zu synchronisieren.
• Die entsprechenden Sprachen zu verwenden, um Kernels zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Die eingebauten Funktionen, Variablen und Bibliotheken der jeweiligen Frameworks für gängige Aufgaben und Operationen zu nutzen.
• Die entsprechenden Speicherbereiche – wie global, lokal, konstant und privat – zu verwenden, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Die entsprechenden Ausführungsmodelle zu nutzen, um die Threads, Blöcke und Grids zu steuern, die die Parallelität definieren.
• GPU-Programme mit Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight zu debuggen und zu testen.
• GPU-Programme durch Techniken wie Coalescing, Caching, Prefetching und Profiling zu optimieren.

Dieser live angebotene Kurs in Bern (online oder vor Ort) richtet sich an Entwicklerinnen und Entwickler mit Anfänger- bis mittlerem Kenntnisstand, die ROCm unter Windows installieren und nutzen möchten, um AMD-GPUs zu programmieren und deren Parallelität auszunutzen.

Nach Abschluss dieses Kurses können die Teilnehmer folgende Aufgaben bewältigen:

• Ein Entwicklungsumgebung einrichten, die ROCm Platform, eine AMD-GPU und Visual Studio Code unter Windows umfasst.
• Ein einfaches ROCm-Programm erstellen, das eine Vektoraddition auf der GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Dass ROCm API verwenden, um Geräteinformationen abzufragen, Gerätespeicher zu allokieren und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel auszuführen und Threads zu synchronisieren.
• HIP-Code schreiben, um Kernels zu erstellen, die auf der GPU ausgeführt werden und Daten verarbeiten.
• Built-in-Funktionen, -Variablen und -Bibliotheken von HIP nutzen, um gängige Aufgaben und Operationen durchzuführen.
• Speicherbereiche von ROCm und HIP (global, shared, constant, local) nutzen, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Dass Ausführungsmodelle von ROCm und HIP verwenden, um Threads, Blocks und Grids zu steuern, die die Parallelität definieren.
• ROCm- und HIP-Programme mit Tools wie ROCm Debugger und ROCm Profiler debuggen und testen.
• ROCm- und HIP-Programme mittels Techniken wie Coalescing, Caching, Prefetching und Profiling optimieren.

Diese live dozierende, von einer Lehrperson geleitete Schulung in Bern (online oder vor Ort) richtet sich an Entwicklerinnen und Entwickler der Einsteiger- bis Mittelstufe, die ROCm und HIP zur Programmierung von AMD-GPUs nutzen und deren Parallelität ausschöpfen möchten.

Nach Abschluss dieser Schulung werden die Teilnehmenden in der Lage sein:

• Eine Entwicklungsumgebung einzurichten, die die ROCm-Plattform, eine AMD-GPU und Visual Studio Code umfasst.
• Ein grundlegendes ROCm-Programm zu erstellen, das eine Vektoraddition auf der GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Dies API zum Abfragen von Gerätschaftsinformationen, zur Allokation und Deallokation des Gerätespeichers, zum Kopieren von Daten zwischen Host und Gerät, zum Starten von Kernels und zum Synchronisieren von Threads zu verwenden.
• HIP-Sprachkonstrukte zur Erstellung von Kernels zu nutzen, die auf der GPU ausgeführt werden und Daten manipulieren.
• Eingebaute Funktionen, Variablen und Bibliotheken von HIP für häufige Aufgaben und Operationen einzusetzen.
• Die Speicherbereiche von ROCm und HIP, wie global, shared, constant und local, zur Optimierung von Datenübertragungen und Speicherzugriffen zu nutzen.
• Die Ausführungsmodelle von ROCm und HIP zu verwenden, um Threads, Blocks und Grids zu steuern, die die Parallelität definieren.
• ROCm- und HIP-Programme mit Tools wie dem ROCm Debugger und ROCm Profiler zu debuggen und zu testen.
• ROCm- und HIP-Programme durch Techniken wie Coalescing, Caching, Prefetching und Profiling zu optimieren.

Dieser instruktionsgeleitete Live-Kurs in Bern (online oder vor Ort) richtet sich an Entwickler mit Kenntnissen vom Anfängerniveau bis zum mittleren Niveau, die CUDA zur Programmierung von NVIDIA-GPUs nutzen und deren Parallelität ausnutzen möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• 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 zur Abfrage von Geräteinformationen, zum Allokieren und Freigeben des Gerätespeichers, zum Kopieren von Daten zwischen Host und Gerät, zum Starten von Kernels und zum Synchronisieren von Threads zu verwenden.
• Die Sprache CUDA C/C++ zur Erstellung von Kernels, die auf der GPU ausgeführt werden und Daten manipulieren, zu nutzen.
• Eingebaute Funktionen, Variablen und Bibliotheken von CUDA für allgemeine Aufgaben und Operationen einzusetzen.
• SPEICHERBEREICHE von CUDA, wie global, geteilt (shared), konstant (constant) und lokal, zur Optimierung von Datenübertragungen und Speicherzugriffen zu verwenden.
• Das Ausführungsmodell von CUDA zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren, anzuwenden.
• CUDA-Programme mit Tools wie CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight zu debuggen und zu testen.
• CUDA-Programme mittels Techniken wie Coalescing, Caching, Prefetching und Profiling zu optimieren.

97 % der Kunden sind zufrieden. 

Diese instruktionsgeleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Systemadministratoren und IT-Fachleute auf Anfängerniveau, die CUDA-Umgebungen installieren, konfigurieren, verwalten und Fehler beheben möchten.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Die Architektur, Komponenten und Fähigkeiten von CUDA zu verstehen.
• CUDA-Umgebungen zu installieren und zu konfigurieren.
• CUDA-Ressourcen zu verwalten und zu optimieren.
• Häufige CUDA-Probleme zu debuggen und zu beheben.

Diese instruktionsgeleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Entwickler mit Grundlagen- bis Fortgeschrittenenkentnissen, die OpenCL nutzen möchten, um heterogene Geräte zu programmieren und deren Parallelität auszuschöpfen.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Eine Entwicklungsumgebung einzurichten, die das OpenCL-SDK, ein OpenCL-fähiges Gerät und Visual Studio Code umfasst.
• Ein einfaches OpenCL-Programm zu erstellen, das eine Vektoraddition auf dem Gerät durchführt und die Ergebnisse aus dem Gerätespeicher abruft.
• Die OpenCL-API zur Abfrage von Geräteinformationen sowie zum Erstellen von Kontexten, Befehlswarteschlangen, Puffern, Kernels und Ereignissen zu nutzen.
• Die OpenCL-C-Sprache zu verwenden, um Kernels zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Eingebaute Funktionen, Erweiterungen und Bibliotheken von OpenCL für gängige Aufgaben und Operationen einzusetzen.
• Die Speichermodelle des Hosts und des Geräts in OpenCL zu nutzen, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Das Ausführungsmodell von OpenCL zur Steuerung von Work-Items, Work-Groups und ND-Ranges anzuwenden.
• OpenCL-Programme mit Tools wie CodeXL, Intel VTune und NVIDIA Nsight zu debuggen und zu testen.
• OpenCL-Programme mit Techniken wie Vektorisierung, Schleifenentrollung, lokalem Speicher und Profiling zu optimieren.

Dieses von Dozenten geleitete Live-Training in Bern (online oder vor Ort) richtet sich an C++-Entwickler, die CUDA zur Beschleunigung von Anwendungen einsetzen, Hochleistungs-GPU-Kernels entwickeln und parallele Algorithmenbibliotheken für wissenschaftliches Rechnen, Datenverarbeitung und Machine-Learning-Anwendungen nutzen möchten.

Dieser instruktionsgeleitete Live-Kurs in Bern (online oder vor Ort) richtet sich an C/C++-Entwickler, die CUDA nutzen möchten, um rechenintensive Anwendungen zu beschleunigen, darunter Datenverarbeitung, wissenschaftliche Simulationen, Machine-Learning-Workloads und Bildverarbeitungs-Pipelines.

Diese dozentengeleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Softwareentwickler, Datenanalysten und technische Fachkräfte, die TensorFlow 2.x und Keras nutzen möchten, um Deep-Learning-Modelle für Computervision, natürliche Sprachverarbeitung und multimodale Anwendungen zu entwickeln, zu trainieren und bereitzustellen.

Dieser Dozentengeleitete, Live-Schulungskurs in Bern behandelt die Programmierung von GPUs für paralleles Rechnen, den Umgang mit verschiedenen Plattformen, die Arbeit mit der CUDA-Plattform und ihren Funktionen sowie die Durchführung verschiedener Optimierungstechniken mit CUDA. Zu den Anwendungsgebieten gehören Deep Learning, Datenanalyse, Bildverarbeitung und technische Anwendungen.