GPU Schulungen in Bern

Diese von einem Trainer geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die OpenACC zur Programmierung heterogener Geräte und zur Ausnutzung ihrer Parallelität verwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Eine Entwicklungsumgebung einzurichten, die OpenACC SDK, ein Gerät, das OpenACC unterstützt, und Visual Studio Code enthält.
• ein grundlegendes OpenACC-Programm zu erstellen, das eine Vektoraddition auf dem Gerät durchführt und die Ergebnisse aus dem Gerätespeicher abruft.
• Verwenden Sie OpenACC-Direktiven und -Klauseln, um den Code zu kommentieren und die parallelen Regionen, Datenbewegungen und Optimierungsoptionen anzugeben.
• Verwenden Sie die OpenACC-API, um Geräteinformationen abzufragen, die Gerätenummer festzulegen, Fehler zu behandeln und Ereignisse zu synchronisieren.
• Verwendung von OpenACC-Bibliotheken und Interoperabilitätsfunktionen zur Integration von OpenACC mit anderen Programmiermodellen, wie CUDA, OpenMP und MPI.
• OpenACC-Tools verwenden, um OpenACC-Programme zu profilieren und zu debuggen und Leistungsengpässe und -möglichkeiten zu identifizieren.
• OpenACC-Programme mit Techniken wie Datenlokalität, Schleifenfusion, Kernel-Fusion und Auto-Tuning zu optimieren.

Diese von einem Kursleiter geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die die Grundlagen der GPU-Programmierung sowie die wichtigsten Frameworks und Tools für die Entwicklung von GPU-Anwendungen erlernen möchten.

• Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
  den Unterschied zwischen CPU- und GPU-Computing sowie die Vorteile und Herausforderungen der GPU-Programmierung zu verstehen.
• Das richtige Framework und Tool für ihre GPU-Anwendung auswählen.
• ein grundlegendes GPU-Programm zu erstellen, das eine Vektoraddition mit einem oder mehreren der Frameworks und Tools durchführt.
• Verwenden Sie die entsprechenden APIs, Sprachen und Bibliotheken, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• Verwendung der jeweiligen Speicherbereiche, wie z. B. global, lokal, konstant und privat, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwendung der jeweiligen Ausführungsmodelle, wie Work-Items, Work-Groups, Threads, Blöcke und Grids, um die Parallelität zu steuern.
• Debuggen und Testen von GPU-Programmen mit Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight.
• Optimieren von GPU-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

Diese von einem Trainer geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die verschiedene Frameworks für die GPU-Programmierung verwenden und deren Funktionen, Leistung und Kompatibilität vergleichen möchten.

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

• Eine Entwicklungsumgebung einzurichten, die OpenCL SDK, CUDA Toolkit, ROCm Platform, ein Gerät, das OpenCL, CUDA oder ROCm unterstützt, und Visual Studio Code umfasst.
• Erstellen Sie ein grundlegendes GPU-Programm, das eine Vektoraddition mit OpenCL, CUDA und ROCm durchführt, und vergleichen Sie die Syntax, die Struktur und die Ausführung jedes Frameworks.
• Verwenden Sie die jeweiligen APIs, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• Verwenden Sie die jeweiligen Sprachen, um Kernel zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Verwenden Sie die jeweiligen eingebauten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen durchzuführen.
• Verwenden Sie die jeweiligen Speicherbereiche, wie z. B. global, lokal, konstant und privat, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwenden Sie die jeweiligen Ausführungsmodelle, um die Threads, Blöcke und Grids zu steuern, die die Parallelität definieren.
• Debuggen und Testen von GPU-Programmen mit Tools wie CodeXL, CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight.
• Optimieren von GPU-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

CloudMatrix ist Huaweis einheitliche Plattform für die Entwicklung und Bereitstellung von KI, die skalierbare, produktionsfähige Inferenzpipelines unterstützt.

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an Anfänger- bis Mittelstufe-KI-Profi, die Modelle mit der CloudMatrix-Plattform einschließlich Integration von CANN und MindSpore bereitstellen und überwachen möchten.

Am Ende des Trainings werden die Teilnehmer in der Lage sein:

• CloudMatrix für das Modelpackaging, die Bereitstellung und den Dienstleistungseinsatz zu verwenden.
• Modelle für Ascend-Chipsätze umzuwandeln und zu optimieren.
• Pipelines für Echtzeit- und Batch-Inferenz-Aufgaben einzurichten.
• Bereitstellungen überwachen und die Leistung in Produktionsumgebungen einstellen.

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Händische Nutzung von CloudMatrix mit realen Bereitstellungszenarien.
• Führung durch Übungen, die sich auf Umwandlung, Optimierung und Skalierung konzentrieren.

Optionen zur Anpassung des Kurses

• Um eine angepasste Ausbildung zu diesem Kurs basierend auf Ihrer AI-Infrastruktur oder Cloud-Umgebung zu beantragen, kontaktieren Sie uns bitte für die Anmeldung.

Diese von einem Kursleiter geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die ROCm unter Windows installieren und verwenden möchten, um AMD GPUs zu programmieren und deren Parallelität auszunutzen.

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

• Eine Entwicklungsumgebung einzurichten, die die ROCm-Plattform, einen AMD GPU und Visual Studio Code unter Windows enthält.
• ein grundlegendes ROCm-Programm zu erstellen, das eine Vektoraddition auf dem GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Verwenden Sie die ROCm-API, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• HIP-Sprache verwenden, um Kernel zu schreiben, die auf GPU ausgeführt werden und Daten manipulieren.
• Verwendung der in HIP integrierten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen auszuführen.
• Verwendung von ROCm- und HIP-Speicherbereichen, wie z. B. global, gemeinsam genutzt, konstant und lokal, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwendung von ROCm- und HIP-Ausführungsmodellen zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren.
• Debuggen und Testen von ROCm- und HIP-Programmen mit Werkzeugen wie dem ROCm Debugger und dem ROCm Profiler.
• Optimieren von ROCm- und HIP-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

Diese von einem Kursleiter geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die ROCm und HIP zur Programmierung von AMD GPUs und zur Ausnutzung ihrer Parallelität verwenden möchten.

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

• Eine Entwicklungsumgebung einzurichten, die die ROCm-Plattform, einen AMD GPU- und Visual Studio-Code enthält.
• Ein grundlegendes ROCm-Programm erstellen, das eine Vektoraddition auf dem GPU durchführt und die Ergebnisse aus dem GPU-Speicher abruft.
• Verwenden Sie die ROCm-API, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• HIP-Sprache verwenden, um Kernel zu schreiben, die auf GPU ausgeführt werden und Daten manipulieren.
• Verwendung der in HIP integrierten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen auszuführen.
• Verwendung von ROCm- und HIP-Speicherbereichen, wie z. B. global, gemeinsam genutzt, konstant und lokal, um Datenübertragungen und Speicherzugriffe zu optimieren.
• Verwendung von ROCm- und HIP-Ausführungsmodellen zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren.
• Debuggen und Testen von ROCm- und HIP-Programmen mit Werkzeugen wie dem ROCm Debugger und dem ROCm Profiler.
• Optimieren von ROCm- und HIP-Programmen mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

Ascend, Biren, and Cambricon are leading AI hardware platforms in China, each offering unique acceleration and profiling tools for production-scale AI workloads.

This instructor-led, live training (online or onsite) is aimed at advanced-level AI infrastructure and performance engineers who wish to optimize model inference and training workflows across multiple Chinese AI chip platforms.

By the end of this training, participants will be able to:

• Benchmark models on Ascend, Biren, and Cambricon platforms.
• Identify system bottlenecks and memory/compute inefficiencies.
• Apply graph-level, kernel-level, and operator-level optimizations.
• Tune deployment pipelines to improve throughput and latency.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of profiling and optimization tools on each platform.
• Guided exercises focused on practical tuning scenarios.

Course Customization Options

• To request a customized training for this course based on your performance environment or model type, please contact us to arrange.

Chinese GPU architectures such as Huawei Ascend, Biren, and Cambricon MLUs offer CUDA alternatives tailored for local AI and HPC markets.

This instructor-led, live training (online or onsite) is aimed at advanced-level GPU programmers and infrastructure specialists who wish to migrate and optimize existing CUDA applications for deployment on Chinese hardware platforms.

By the end of this training, participants will be able to:

• Evaluate compatibility of existing CUDA workloads with Chinese chip alternatives.
• Port CUDA codebases to Huawei CANN, Biren SDK, and Cambricon BANGPy environments.
• Compare performance and identify optimization points across platforms.
• Address practical challenges in cross-architecture support and deployment.

Format of the Course

• Interactive lecture and discussion.
• Hands-on code translation and performance comparison labs.
• Guided exercises focused on multi-GPU adaptation strategies.

Course Customization Options

• To request a customized training for this course based on your platform or CUDA project, please contact us to arrange.

Diese von einem Trainer geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die CUDA zur Programmierung von NVIDIA GPU-Systemen und zur Ausnutzung ihrer Parallelität verwenden möchten.

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

• Eine Entwicklungsumgebung einrichten, die das CUDA Toolkit, einen NVIDIA GPU- und Visual Studio-Code enthält.
• Ein grundlegendes CUDA Programm erstellen, das eine Vektoraddition auf dem GPU durchführt und die Ergebnisse aus dem GPU Speicher abruft.
• Verwenden Sie die CUDA API, um Geräteinformationen abzufragen, Gerätespeicher zuzuweisen und freizugeben, Daten zwischen Host und Gerät zu kopieren, Kernel zu starten und Threads zu synchronisieren.
• Verwendung der Sprache CUDA C/C++ zum Schreiben von Kernels, die auf dem GPU ausgeführt werden und Daten manipulieren.
• Verwendung der in CUDA integrierten Funktionen, Variablen und Bibliotheken, um allgemeine Aufgaben und Operationen durchzuführen.
• Verwendung von CUDA-Speicherbereichen, wie z. B. global, gemeinsam genutzt, konstant und lokal, zur Optimierung von Datenübertragungen und Speicherzugriffen.
• Verwendung des CUDA-Ausführungsmodells zur Steuerung der Threads, Blöcke und Grids, die die Parallelität definieren.
• Debuggen und Testen von CUDA Programmen mit Tools wie CUDA-GDB, CUDA-MEMCHECK und NVIDIA Nsight.
• Optimieren Sie CUDA Programme mit Techniken wie Coalescing, Caching, Prefetching und Profiling.

97% der Kunden sind zufrieden.

Huawei Ascend ist eine Familie von KI-Prozessoren, die für Hochleistungs-Entscheidungen und -Training konzipiert wurden.

Dieser von einem Trainer geleitete Live-Kurs (online oder vor Ort) richtet sich an fortgeschrittene KI-Ingenieure und Datenwissenschaftler, die Modelle der neuronalen Netzwerke mit Hilfe des Huawei Ascend-Platforms und dem CANN-Toolkit entwickeln und optimieren möchten.

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

• Die Entwicklungsumgebung von CANN einzurichten und zu konfigurieren.
• KI-Anwendungen mit MindSpore und CloudMatrix-Workflows zu entwickeln.
• Mit benutzerdefinierten Operatoren und Tiling die Leistung auf Ascend NPUs zu optimieren.
• Modelle in Edge- oder Cloud-Umgebungen bereitzustellen.

Kursformat

• Interaktive Vorlesung und Diskussion.
• Händische Nutzung von Huawei Ascend und dem CANN-Toolkit in Beispielanwendungen.
• Führung durch Übungen, die sich auf das Modellieren, Trainieren und Bereitstellen konzentrieren.

Anpassungsoptionen des Kurses

• Um einen an Ihren Infrastruktur oder Datensätzen angepassten Training anzufordern, kontaktieren Sie uns bitte für die Anmeldung.

Biren AI Accelerators sind High-Performance-GPUs, die für AI und HPC-Aufgaben entworfen wurden und Unterstützung für umfangreiche Trainings- und Inferenzprozesse bieten.

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an Entwickler mit fortgeschrittenen Kenntnissen, die Anwendungen unter Verwendung des proprietären GPU-Stacks von Biren programmieren und optimieren möchten. Es werden praktische Vergleiche zu CUDA-basierten Umgebungen gezogen.

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

• Biren-GPU-Architektur und -Speicherebene zu verstehen.
• Die Entwicklungsumgebung einzurichten und das Programmiermodell von Biren zu nutzen.
• CUDA-stiliges Code für Biren-Plattformen zu übersetzen und zu optimieren.
• Techniken zur Leistungssteigerung und Debugging anzuwenden.

Format des Kurses

• Interaktive Vorlesungen und Diskussionen.
• Händische Nutzung der Biren SDK in Beispiel-GPU-Arbeitslasten.
• Führung durch Übungen, die sich auf Portierung und Leistungssteigerung konzentrieren.

Optionen zur Anpassung des Kurses

• Um eine angepasste Ausbildung zu diesem Kurs basierend auf Ihrem Anwendungsstack oder Integrationsbedürfnissen anzufordern, kontaktieren Sie uns bitte für die Absprache.

Cambricon MLUs (Machine Learning Units) are specialized AI chips optimized for inference and training in edge and datacenter scenarios.

This instructor-led, live training (online or onsite) is aimed at intermediate-level developers who wish to build and deploy AI models using the BANGPy framework and Neuware SDK on Cambricon MLU hardware.

By the end of this training, participants will be able to:

• Set up and configure the BANGPy and Neuware development environments.
• Develop and optimize Python- and C++-based models for Cambricon MLUs.
• Deploy models to edge and data center devices running Neuware runtime.
• Integrate ML workflows with MLU-specific acceleration features.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of BANGPy and Neuware for development and deployment.
• Guided exercises focused on optimization, integration, and testing.

Course Customization Options

• To request a customized training for this course based on your Cambricon device model or use case, please contact us to arrange.

Diese von einem Trainer geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Systemadministratoren und IT-Experten, die CUDA-Umgebungen installieren, konfigurieren, verwalten und Fehler beheben möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• die Architektur, die Komponenten und die 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 von einem Kursleiter geleitete Live-Schulung in Bern (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die OpenCL zur Programmierung heterogener Geräte und zur Nutzung ihrer Parallelität verwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Eine Entwicklungsumgebung einrichten, die das OpenCL SDK, ein Gerät, das OpenCL unterstützt, und Visual Studio Code enthält.
• Ein grundlegendes OpenCL-Programm erstellen, das eine Vektoraddition auf dem Gerät durchführt und die Ergebnisse aus dem Gerätespeicher abruft.
• Verwenden Sie OpenCL API, um Geräteinformationen abzufragen, Kontexte, Befehlswarteschlangen, Puffer, Kernel und Ereignisse zu erstellen.
• Verwendung der Sprache OpenCL C, um Kernel zu schreiben, die auf dem Gerät ausgeführt werden und Daten manipulieren.
• Verwendung von OpenCL eingebauten Funktionen, Erweiterungen und Bibliotheken, um allgemeine Aufgaben und Operationen durchzuführen.
• Verwendung von OpenCL Host- und Gerätespeichermodellen zur Optimierung von Datenübertragungen und Speicherzugriffen.
• Verwendung des OpenCL-Ausführungsmodells zur Steuerung der Work-Items, Work-Groups und ND-Ranges.
• Debuggen und Testen von OpenCL-Programmen mit Tools wie CodeXL, Intel VTune und NVIDIA Nsight.
• Optimieren von OpenCL-Programmen mit Techniken wie Vektorisierung, Schleifenabwicklung, lokalem Speicher und Profiling.

Dieser von einem Trainer geführte Live-Kurs in Bern (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, die CUDA verwenden möchten, um Python-Anwendungen zu erstellen, die parallel auf NVIDIA-GPUs laufen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Den Numba-Compiler verwenden, um Python-Anwendungen zu beschleunigen, die auf NVIDIA GPUs ausgeführt werden.
• Benutzerdefinierte CUDA-Kernel erstellen, kompilieren und starten.
• GPU-Speicher verwalten.
• Eine CPU-basierte Anwendung in eine GPU-beschleunigte Anwendung konvertieren.

Dieser von einem Ausbilder geleitete Live-Schulungskurs in Bern deckt ab, wie man GPUs für paralleles Rechnen programmiert, wie man verschiedene Plattformen verwendet, wie man mit der CUDA-Plattform und ihren Funktionen arbeitet und wie man verschiedene Optimierungstechniken mit CUDA durchführt. Einige der Anwendungen umfassen Deep Learning, Analytik, Bildverarbeitung und technische Anwendungen.