Online GPU Training in Srbija

This instructor-led live training in Srbija (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to use OpenACC to program heterogeneous devices and exploit their parallelism.

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

• Set up an OpenACC development environment.
• Write and run a basic OpenACC program.
• Annotate code with OpenACC directives and clauses.
• Use OpenACC API and libraries.
• Profile, debug, and optimize OpenACC programs.

Ovo instruktur-vođeno, uživo obuke u <lokalizaciji > (online ili na lokaciji) namenjeno je programerima početnog do srednjeg nivoa koji žele da nauče osnove GPU programiranja i glavne okvire i alate za razvoj GPU aplikacija.

• Krajem ove obuke, učesnici će moći:
  Da razumeju razliku između CPU i GPU računanja, kao i prednosti i izazove GPU programiranja.
• Da izaberu pravi okvir i alat za svoju GPU aplikaciju.
• Da naprave osnovni GPU program koji obavlja sabiranje vektora koristeći jedan ili više okvira i alata.
• Da koriste odgovarajuće API-je, jezike i biblioteke za upit informacija o uređaju, dodelu i oslobađanje memorije uređaja, kopiranje podataka između domaćina i uređaja, pokretanje kernela i sinhronizaciju niti.
• Da koriste odgovarajuće memorijske prostore, kao što su globalni, lokalni, konstantni i privatni, da optimizuju prenos podataka i pristup memoriji.
• Da koriste odgovarajuće modele izvršavanja, kao što su radne jedinice (work-items), radne grupe (work-groups), niti, blokove i mreže, da kontrolišu paralelizam.
• Da otkriju greške i testiraju GPU programe koristeći alate kao što su CodeXL, CUDA-GDB, CUDA-MEMCHECK i NVIDIA Nsight.
• Da optimizuju GPU programe koristeći tehnike kao što su koalesciranje, keširanje, preuzimanje unapred (prefetching) i profilisanje.

Ovaj instruktivni, uživo obuka u <lokalizaciji> (onlajn ili na lokaciji) namenjena je programerima početnog do srednjeg nivoa koji žele da koriste različite frameworke za programiranje GPU-a i uporedite njihove funkcionalnosti, performanse i kompatibilnost.

Do kraja ove obuke, učesnici će moći da:

• Podele razvojno okruženje koje uključuje OpenCL SDK, CUDA Toolkit, ROCm Platformu, uređaj koji podržava OpenCL, CUDA ili ROCm, kao i Visual Studio Code.
• Naprave osnovni GPU program koji izvodi sabiranje vektora koristeći OpenCL, CUDA i ROCm, i uporede sintaksu, strukturu i izvršavanje svakog framework-a.
• Koriste odgovarajuće API-je da upitaju informacije o uređaju, alokiraju i oslobode memoriju na uređaju, kopiraju podatke između domaćina i uređaja, pokrenu jezgre i sinhronizuju nitke.
• Koriste odgovarajuće jezike da napišu jezgre koje se izvršavaju na uređaju i manipuliraju podacima.
• Koriste ugrađene funkcije, promenljive i biblioteke odgovarajućih frameworka da izvrše uobičajene zadatke i operacije.
• Koriste odgovarajuće memorijske prostore, kao što su globalni, lokalni, konstantni i privatni, da optimizuju transfer podataka i pristup memoriji.
• Koriste odgovarajuće modele izvršenja da kontrolišu nitke, blokove i mreže koje definišu paralelizam.
• Ispravljaju greške i testiraju GPU programe koristeći alate kao što su CodeXL, CUDA-GDB, CUDA-MEMCHECK i NVIDIA Nsight.
• Optimizuju GPU programe koristeći tehnike kao što su grupisanje, keširanje, preuzimanje unapred i profilisanje.

Ova obuka sa instruktorom, koja se održava uživo na <lokalizaciji> (online ili na licu mesta), namenjena je programerima početnog i srednjeg nivoa znanja koji žele da uče kako da instaliraju i koriste ROCm na Windows-u, kako bi programirali AMD GPU-je i iskoristili njihovu paralelnu prirodu.

Ko se tokom ove obuke učesnici će steći znanje kako da:

• Konfigurišu razvojno okruženje koje uključuje ROCm platformu, AMD GPU i Visual Studio Code na Windows-u.
• Naprave osnovni ROCm program koji obavlja vektorsko sabiranje na GPU-u i preuzima rezultate iz memorije GPU-a.
• Koriste ROCm API za upit o informacijama o uređaju, alokaciju i oslobađanje memorije uređaja, kopiranje podataka između domaćina i uređaja, pokretanje kernela i sinhronizaciju niti.
• Koriste HIP jezik za pisanje kernela koji se izvršavaju na GPU-u i manipulišu podacima.
• Koriste ugrađene funkcije, promenljive i biblioteke HIP jezika za obavljanje uobičajenih zadataka i operacija.
• Koriste ROCm i HIP memorijske prostore, kao što su globalni, deljeni, konstantni i lokalni, kako bi optimizovali transfer podataka i pristup memoriji.
• Koriste ROCm i HIP modele izvršavanja za kontrolu niti, blokova i rešetki koji definišu paralelizam.
• Ispravljaju greške i testiraju ROCm i HIP programe koristeći alate kao što su ROCm Debugger i ROCm Profiler.
• Optimizuju ROCm i HIP programe koristeći tehnike kao što su udruživanje (coalescing), keširanje, unapređeno učitavanje (prefetching) i profiliranje.

Ova obuka sa trenerom uživo u Srbija (online ili na lokaciji klijenta) namenjena je razvojcima početnog i srednjeg nivoa koji žele da koriste ROCm i HIP za programiranje AMD GPU-jeva i iskoriste njihovu paralelizaciju.

Nakon završetka ove obuke, učesnici će moći da:

• Postave razvojno okruženje koje uključuje ROCm Platform, AMD GPU i Visual Studio Code.
• Naprave osnovni ROCm program koji izvodi vektorsko sabiranje na GPU-u i preuzima rezultate iz GPU memorije.
• Koriste ROCm API za upit informacija o uređaju, dodelu i oslobađanje uređajske memorije, kopiranje podataka između domaćina (host) i uređaja, pokretanje kernela i sinhronizaciju niti.
• Koriste HIP jezik za pisanje kernela koji se izvršavaju na GPU-u i manipulaciju podacima.
• Koriste ugrađene funkcije, promenljive i biblioteke HIP-a za obavljanje uobičajenih zadataka i operacija.
• Koriste memorijske prostore ROCm i HIP-a, kao što su globalni, deljeni, konstantni i lokalni, radi optimizacije prenosa podataka i pristupa memoriji.
• Koriste modele izvršavanja ROCm i HIP-a za kontrolu niti, blokova i mreža koje definišu paralelizaciju.
• Ispravljaju greške i testiraju ROCm i HIP programe koristeći alate poput ROCm Debugger-a i ROCm Profiler-a.
• Optimizuju ROCm i HIP programe koristeći tehnike poput koalescinga, keširanja, preuzimanja unapred i profilisanja.

Elevate neural network inference efficiency on Ascend AI processors through this advanced, instructor-led training in Srbija. Dive into CANN's runtime architecture, utilizing the Graph Engine, TIK, and TVM for profiling, developing custom operators, and resolving memory bottlenecks.

Ova obuka sa instruktorom uživo u Srbija (online ili uživo) namenjena je developerima početnog do srednjeg niska koji žele da koriste CUDA za programiranje NVIDIA GPU uređaja i iskoriste njihovu paralelizaciju.

Krajem ove obuke, učesnici će moći da:

• podevaju razvojno okruženje koje uključuje CUDA Toolkit, NVIDIA GPU i Visual Studio Code.
• naprave osnovni CUDA program koji obavlja sabiranje vektora na GPU i preuzima rezultate iz GPU memorije.
• koriste CUDA API za upit informacija o uređaju, alokaciju i dealokaciju memorije uređaja, kopiranje podataka između domaćina i uređaja, pokretanje jezgri (kernels) i sinhronizaciju nitii.
• koriste jezik CUDA C/C++ da pišu jezgra (kernels) koja se izvršavaju na GPU i manipulišu podacima.
• koriste ugrađene funkcije, promenljive i biblioteke CUDA za obavljanje uobičajenih zadataka i operacija.
• koriste CUDA memorijske prostore, kao što su globalni, zajednički, konstantni i lokalni, da optimizuju transfer podataka i pristupe memoriji.
• koriste CUDA model izvršavanja da kontlišu niti, blokove i mreže koje definišu paralelizaciju.
• pružaju depuriranje i testiranje CUDA programa koristeći alate kao što su CUDA-GDB, CUDA-MEMCHECK i NVIDIA Nsight.
• optimizuju CUDA programe koristeći tehnike kao što su koalescing, keširanje, preuzimanje unapred (prefetching) i profilisanje.

97% zadovoljnih klijenata. 

This instructor-led, live training in Srbija (online or onsite) is designed for beginner-level system administrators and IT professionals who wish to install, configure, manage, and troubleshoot CUDA environments.

Upon completion of this training, participants will be able to:

• Comprehend the architecture, components, and capabilities of CUDA.
• Install and configure CUDA environments.
• Manage and optimize CUDA resources.
• Debug and resolve common CUDA issues.

Ova obuka sa trenerom uživo u Srbija (online ili na licu mesta) namenjena je programerima početnika do srednjeg nivoa koji žele da koriste OpenCL za programiranje heterogenih uređaja i iskorišćavanje njihove paralelizacije.

Na kraju ove obuke, učesnici će biti u stanju da:

• podevaju razvojno okruženje koje uključuje OpenCL SDK, uređaj koji podržava OpenCL i Visual Studio Code;
• napišu osnovni OpenCL program koji obavlja vektorsko sabiranje na uređaju i preuzme rezultate iz memorije uređaja;
• koriste OpenCL API za upit informacija o uređaju, kreiranje konteksta, redova komandi, buffer-a, kerneleova i događaja;
• koriste OpenCL C jezik za pisanje kerneleova koji se izvršavaju na uređaju i manipulaciju podacima;
• koriste OpenCL ugrađene funkcije, ekstenzije i biblioteke za obavljanje uobičajenih zadataka i operacija;
• koriste OpenCL modele memorije domaćina i uređaja za optimizaciju transfera podataka i pristupa memoriji;
• koriste OpenCL model izvršavanja za kontrolu radnih stavki, radnih grupa i ND-Opsega;
• odebuguju i testiraju OpenCL programe koristeći alate poput CodeXL, Intel VTune i NVIDIA Nsight;
• optimizuju OpenCL programe koristeći tehnike kao što su vektoralizacija, razvrtavanje petlji, lokalna memorija i profiliranje.

Ovo predavač vođeno, uživo obučavanje u Srbija (online ili na licu mesta) namenjeno je C++ developerima koji žele da koriste CUDA za ubrzanje aplikacija, pisanje GPU kernela visokih performansi i korišćenje biblioteka paralelnih algoritama za naučno računanje, obradu podataka i mašinsko učenje.

This instructor-led, live training in Srbija (online or onsite) is designed for C/C++ developers who want to leverage CUDA to accelerate compute-intensive applications, such as data processing, scientific simulations, machine learning workloads, and image processing pipelines.

This guided, live training in Srbija (online or onsite) is designed for software developers, data analysts, and technical professionals who wish to use TensorFlow 2.x and Keras to build, train, and deploy deep learning models for computer vision, natural language processing, and multimodal applications.

Ovaj kurs uživo, vođen od strane instruktora, u Srbija pokriva programiranje GPU uređaja za paralelni račun, korišćenje različitih platformi, rad sa CUDA platformom i njenim mogućnostima, kao i primenu različitih tehnika optimizacije pomoću CUDA. Neke od primena obuhvataju duboko učenje, analitiku, obradu slika i inženjerske aplikacije.