Formation GPU en British Columbia

Cette formation en direct animée par un instructeur en <lieu> (en ligne ou en présentiel) s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser OpenACC pour programmer des appareils hétérogènes et exploiter leur parallélisme.

À la fin de cette formation, les participants seront capables de :

• Configurer un environnement de développement OpenACC.
• Écrire et exécuter un programme OpenACC de base.
• Annoter le code avec des directives et des clauses OpenACC.
• Utiliser l'API et les bibliothèques OpenACC.
• Profiling, déboguer et optimiser les programmes OpenACC.

Cette formation en direct, animée par un formateur, en <lieu> (en ligne ou en présentiel), s'adresse aux développeurs de niveau débutant à intermédiaire souhaitant apprendre les bases de la programmation GPU ainsi que les principaux frameworks et outils pour le développement d'applications GPU.

• À l'issue de cette formation, les participants seront en mesure de :
  Comprendre la différence entre le calcul CPU et GPU, ainsi que les avantages et les défis de la programmation GPU.
• Choisir le framework et l'outil adaptés à leur application GPU.
• Créer un programme GPU de base effectuant une addition de vecteurs en utilisant un ou plusieurs des frameworks et outils.
• Utiliser les API, langages et bibliothèques respectifs pour interroger les informations de l'appareil, allouer et libérer la mémoire de l'appareil, copier des données entre l'hôte et l'appareil, lancer des noyaux et synchroniser les threads.
• Utiliser les espaces mémoire respectifs, tels que global, local, constant et privé, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution respectifs, tels que les work-items, les work-groups, les threads, les blocs et les grilles, pour contrôler le parallélisme.
• Débugger et tester des programmes GPU à l'aide d'outils tels que CodeXL, CUDA-GDB, CUDA-MEMCHECK et NVIDIA Nsight.
• Optimiser les programmes GPU à l'aide de techniques telles que le regroupement (coalescing), la mise en cache, la pré-extraction (prefetching) et le profilage.

Cette formation en direct, animée par un formateur à British Columbia (en ligne ou sur site), s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser différents frameworks pour la programmation GPU et comparer leurs fonctionnalités, performances et compatibilité.

À l'issue de cette formation, les participants seront en mesure de :

• Configurer un environnement de développement incluant le SDK OpenCL, le kit d'outils CUDA, la plateforme ROCm, un appareil prenant en charge OpenCL, CUDA ou ROCm, et Visual Studio Code.
• Créer un programme GPU de base effectuant une addition de vecteurs à l'aide d'OpenCL, CUDA et ROCm, et comparer la syntaxe, la structure et l'exécution de chaque framework.
• Utiliser les API respectives pour interroger les informations sur les appareils, allouer et libérer la mémoire de l'appareil, copier des données entre l'hôte et l'appareil, lancer des noyaux et synchroniser les threads.
• Utiliser les langages respectifs pour écrire des noyaux qui s'exécutent sur l'appareil et manipulent des données.
• Utiliser les fonctions intégrées, variables et bibliothèques respectives pour effectuer des tâches et opérations courantes.
• Utiliser les espaces mémoire respectifs, tels que global, local, constant et privé, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution respectifs pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Déboguer et tester les programmes GPU à l'aide d'outils tels que CodeXL, CUDA-GDB, CUDA-MEMCHECK et NVIDIA Nsight.
• Optimiser les programmes GPU en utilisant des techniques telles que le regroupement (coalescing), la mise en cache, la pré-fetching et le profilage.

Cette formation en direct animée par un instructeur en British Columbia (en ligne ou sur site) s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent installer et utiliser ROCm sur Windows pour programmer des GPU AMD et exploiter leur parallélisme.

À la fin de cette formation, les participants seront capables de :

• Mettre en place un environnement de développement incluant la plate-forme ROCm, un GPU AMD et Visual Studio Code sous Windows.
• Créer un programme ROCm de base effectuant une addition de vecteurs sur le GPU et récupérant les résultats de la mémoire du GPU.
• Utiliser l'API ROCm pour interroger les informations du dispositif, allouer et libérer de la mémoire de dispositif, copier des données entre l'hôte et le dispositif, lancer des noyaux (kernels) et synchroniser les threads.
• Utiliser le langage HIP pour écrire des noyaux qui s'exécutent sur le GPU et manipulent les données.
• Utiliser les fonctions intégrées, les variables et les bibliothèques HIP pour effectuer des tâches et opérations courantes.
• Utiliser les espaces mémoire ROCm et HIP, tels que global, partagé, constant et local, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution ROCm et HIP pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Déboguer et tester les programmes ROCm et HIP à l'aide d'outils tels que ROCm Debugger et ROCm Profiler.
• Optimiser les programmes ROCm et HIP en utilisant des techniques telles que la concaténation (coalescing), la mise en cache, la prérecherche (prefetching) et le profilage.

Cette formation en direct, encadrée par un instructeur, en <lieu> (en ligne ou sur site), s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser ROCm et HIP pour programmer les GPU AMD et exploiter leur parallélisme.

À la fin de cette formation, les participants seront capables de :

• Mettre en place un environnement de développement comprenant la plateforme ROCm, un GPU AMD et Visual Studio Code.
• Créer un programme ROCm basique effectuant une addition vectorielle sur le GPU et récupérant les résultats depuis la mémoire du GPU.
• Utiliser l'API ROCm pour interroger les informations du périphérique, allouer et libérer de la mémoire sur le périphérique, copier des données entre l'hôte et le périphérique, lancer des kernels et synchroniser les threads.
• Utiliser le langage HIP pour écrire des kernels qui s'exécutent sur le GPU et manipulent des données.
• Utiliser les fonctions intégrées, les variables et les bibliothèques de HIP pour effectuer des tâches et opérations courantes.
• Utiliser les espaces mémoire de ROCm et HIP, tels que global, partagé, constant et local, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution de ROCm et HIP pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Déboguer et tester les programmes ROCm et HIP à l'aide d'outils tels que ROCm Debugger et ROCm Profiler.
• Optimiser les programmes ROCm et HIP en utilisant des techniques telles que la fusion des accès, la mise en cache, le préchargement et le profilage.

Optimisez les performances d'inférence des réseaux de neurones sur les processeurs IA Ascend grâce à cette formation avancée en direct, animée par un instructeur, dans le cadre de British Columbia. Explorez l'architecture d'exécution de CANN et profitez du moteur graphique (Graph Engine), de TIK et de TVM pour le profilage, le développement d'opérateurs personnalisés et la résolution des goulots d'étranglement de mémoire.

Cette formation en direct, animée par un formateur, en British Columbia (en ligne ou sur site), s’adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser CUDA pour programmer des GPU NVIDIA et exploiter leur parallélisme.

À l’issue de cette formation, les participants seront en mesure de :

• Configurer un environnement de développement comprenant le CUDA Toolkit, un GPU NVIDIA et Visual Studio Code.
• Créer un programme CUDA de base effectuant l’addition de vecteurs sur le GPU et récupérant les résultats de la mémoire du GPU.
• Utiliser l’API CUDA pour interroger les informations de l’appareil, allouer et libérer la mémoire de l’appareil, copier les données entre l’hôte et l’appareil, lancer des noyaux et synchroniser les threads.
• Utiliser le langage CUDA C/C++ pour écrire des noyaux exécutés sur le GPU et manipuler les données.
• Utiliser les fonctions intégrées, les variables et les bibliothèques de CUDA pour effectuer des tâches et des opérations courantes.
• Exploiter les espaces mémoire CUDA, tels que global, partagé, constant et local, pour optimiser les transferts de données et les accès mémoire.
• Utiliser le modèle d’exécution CUDA pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Déboguer et tester les programmes CUDA à l’aide d’outils tels que CUDA-GDB, CUDA-MEMCHECK et NVIDIA Nsight.
• Optimiser les programmes CUDA en utilisant des techniques telles que l’association (coalescing), la mise en cache, le préchargement (prefetching) et le profilage.

97 % de clients satisfaits.

Cette formation en direct, animée par un formateur à British Columbia (en ligne ou sur site), s'adresse aux administrateurs système et professionnels de l'informatique de niveau débutant qui souhaitent installer, configurer, gérer et dépanner des environnements CUDA.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre l'architecture, les composants et les capacités de CUDA.
• Installer et configurer des environnements CUDA.
• Gérer et optimiser les ressources CUDA.
• Débugger et dépanner les problèmes courants de CUDA.

Cette formation en direct, animée par un formateur en British Columbia (en ligne ou sur place), s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser OpenCL pour programmer des appareils hétérogènes et exploiter leur parallélisme.

À l'issue de cette formation, les participants seront capables de :

• Configurer un environnement de développement incluant le SDK OpenCL, un appareil prenant en charge OpenCL et Visual Studio Code.
• Créer un programme OpenCL de base effectuant une addition de vecteurs sur l'appareil et récupérant les résultats depuis la mémoire de l'appareil.
• Utiliser l'API OpenCL pour interroger les informations de l'appareil, créer des contextes, des files de commandes, des tampons, des noyaux et des événements.
• Utiliser le langage OpenCL C pour écrire des noyaux s'exécutant sur l'appareil et manipuler les données.
• Utiliser les fonctions intégrées, les extensions et les bibliothèques OpenCL pour effectuer des tâches et des opérations courantes.
• Utiliser les modèles mémoire de l'hôte et de l'appareil OpenCL pour optimiser les transferts de données et les accès mémoire.
• Utiliser le modèle d'exécution OpenCL pour contrôler les éléments de travail, les groupes de travail et les plages ND.
• Déboguer et tester les programmes OpenCL à l'aide d'outils tels que CodeXL, Intel VTune et NVIDIA Nsight.
• Optimiser les programmes OpenCL à l'aide de techniques telles que la vectorisation, le déroulage de boucles, la mémoire locale et le profilage.

Cette formation en direct animée par un instructeur en British Columbia (en ligne ou sur site) s'adresse aux développeurs C++ souhaitant utiliser CUDA pour accélérer des applications, écrire des noyaux GPU haute performance et tirer parti des bibliothèques d'algorithmes parallèles pour les charges de travail liées au calcul scientifique, au traitement des données et à l'apprentissage automatique.

Cette formation en direct, encadrée par un formateur à British Columbia (en ligne ou sur site), s'adresse aux développeurs C/C++ souhaitant utiliser CUDA pour accélérer des applications intensives en calcul, notamment le traitement de données, les simulations scientifiques, les charges de travail d'apprentissage automatique et les pipelines de traitement d'image.

Cette formation en direct animée par un instructeur à British Columbia (en ligne ou sur site) s'adresse aux développeurs de logiciels, aux analystes de données et aux professionnels techniques qui souhaitent utiliser TensorFlow 2.x et Keras pour construire, entraîner et déployer des modèles d'apprentissage en profondeur pour la vision par ordinateur, le traitement du langage naturel et les applications multimodales.

Ce cours de formation en présentiel dirigé par un instructeur en <lieu> couvre la programmation des GPU pour le calcul parallèle, l'utilisation de diverses plateformes, le travail avec la plateforme CUDA et ses fonctionnalités, ainsi que la réalisation de diverses techniques d'optimisation à l'aide de CUDA. Parmi les applications figurent l'apprentissage profond, l'analyse de données, le traitement d'image et les applications d'ingénierie.