GPU Programming - OpenCL vs CUDA vs ROCm Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde), ROCm ve HIP kullanarak AMD GPU’leri programlamak ve paralelliklerinden yararlanmak isteyen başlangıç ​​seviyesi ile orta seviye geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• ROCm Platformu, bir AMD GPU ve Visual Studio Code içeren bir geliştirme ortamı kurmak.
• AMD GPU üzerinde vektör toplama gerçekleştiren ve sonuçları GPU belleğinden alan temel bir ROCm programı oluşturmak.
• Cihaz bilgilerini sorgulamak, cihaz belleği ayırmak ve serbest bırakmak, ana bilgisayar ve cihaz arasında veri kopyalamak, çekirdekleri başlatmak ve iş parçacıklarını senkronize etmek için ROCm API’sini kullanmak.
• AMD GPU üzerinde yürütülen ve verileri işleyen çekirdekleri yazmak için HIP dilini kullanmak.
• Yaygın görevleri ve işlemleri gerçekleştirmek için HIP yerleşik işlevlerini, değişkenlerini ve kitaplıklarını kullanmak.
• Veri aktarımlarını ve bellek erişimlerini optimize etmek için ROCm ve HIP bellek alanlarını (global, paylaşılan, sabit ve yerel) kullanmak.
• Paralelliği tanımlayan iş parçacıklarını, blokları ve ızgaraları kontrol etmek için ROCm ve HIP yürütme modellerini kullanmak.
• ROCm Hata Ayıklayıcısı ve ROCm Profil Oluşturucu gibi araçları kullanarak ROCm ve HIP programlarını hata ayıklamak ve test etmek.
• Birleştirme, önbellekleme, ön getirme ve profil oluşturma gibi teknikleri kullanarak ROCm ve HIP programlarını optimize etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), CUDA ortamlarını kurmak, yapılandırmak, yönetmek ve sorun gidermek isteyen başlangıç seviyesindeki sistem yöneticilerine ve BT profesyonellerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• CUDA'nın mimarisini, bileşenlerini ve yeteneklerini anlayabilecektir.
• CUDA ortamlarını kurup yapılandırabilecektir.
• CUDA kaynaklarını yönetip optimize edebilecektir.
• Yaygın CUDA sorunlarını ayıklayıp çözebilecektir.

Bu danışmaoduğucu, canlı eğitim (çevrimiçi veya yerel olarak) Türkiye'ta, CUDA'yı kullanarak NVIDIA GPU cihazlarında paralel olarak çalışan Python uygulamalar oluşturmak isteyen orta seviye geliştiricilere yönelik tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), GPU programlamanın temellerini ve GPU uygulamaları geliştirmek için ana çerçeveleri ve araçları öğrenmek isteyen yeni başlayan ve orta seviyedeki geliştiricilere yöneliktir.

• Bu eğitimin sonunda katılımcılar:
  GPU işlem ve CPU arasındaki farkı ve GPU programlamanın avantajlarını ve zorluklarını anlayabilecektir.
• GPU uygulamaları için doğru çerçeveyi ve aracı seçebilecektir.
• Çerçevelerden ve araçlardan bir veya daha fazlasını kullanarak vektör toplama gerçekleştiren temel bir GPU programı oluşturabilecektir.
• Cihaz bilgilerini sorgulamak, cihaz belleği ayırmak ve serbest bırakmak, ana bilgisayar ile cihaz arasında veri kopyalamak, çekirdekleri başlatmak ve iş parçacıklarını senkronize etmek için ilgili API'leri, dilleri ve kitaplıkları kullanabilecektir.
• Veri transferlerini ve bellek erişimlerini optimize etmek için ilgili bellek alanlarını (global, yerel, sabit ve özel) kullanabilecektir.
• Paralelliği kontrol etmek için iş öğeleri, çalışma grupları, iş parçacıkları, bloklar ve ızgaralar gibi ilgili yürütme modellerini kullanabilecektir.
• CodeXL, CUDA-GDB, CUDA-MEMCHECK ve NVIDIA Nsight gibi araçları kullanarak GPU programlarını hata ayıklayabilecek ve test edebilecektir.
• Birleştirme, önbelleğe alma, ön getirme ve profil oluşturma gibi teknikleri kullanarak GPU programlarını optimize edebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde), CUDA'yı kullanarak NVIDIA GPU'leri programlamak ve onların paralelliğinden yararlanmak isteyen başlangıç ​​seviyesi ile orta seviye geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• CUDA Toolkit, bir NVIDIA GPU ve Visual Studio Code içeren bir geliştirme ortamı kurmak.
• NVIDIA GPU üzerinde vektör toplama gerçekleştiren ve sonuçları NVIDIA GPU belleğinden alan temel bir CUDA programı oluşturmak.
• Cihaz bilgilerini sorgulamak, cihaz belleğini ayırmak ve serbest bırakmak, ana bilgisayar ve cihaz arasında veri kopyalamak, çekirdekleri başlatmak ve iş parçacıklarını senkronize etmek için CUDA API'sini kullanmak.
• NVIDIA GPU üzerinde yürütülen ve verileri işleyen çekirdekleri yazmak için CUDA C/C++ dilini kullanmak.
• Yaygın görevleri ve işlemleri gerçekleştirmek için CUDA yerleşik işlevlerini, değişkenlerini ve kitaplıklarını kullanmak.
• Veri transferlerini ve bellek erişimlerini optimize etmek için global, paylaşımlı, sabit ve yerel gibi CUDA bellek alanlarını kullanmak.
• Paralelliği tanımlayan iş parçacıklarını, blokları ve ızgaraları kontrol etmek için CUDA yürütme modelini kullanmak.
• CUDA-GDB, CUDA-MEMCHECK ve NVIDIA Nsight gibi araçları kullanarak CUDA programlarını hata ayıklamak ve test etmek.
• Birleştirme, önbellekleme, ön getirme ve profil oluşturma gibi teknikleri kullanarak CUDA programlarını optimize etmek.

Müşterilerin %97'si memnun.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), heterojen cihazları programlamak ve paralelliklerinden yararlanmak için OpenACC kullanmak isteyen başlangıç ​​seviyesinden orta seviyeye kadar olan geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Bir OpenACC geliştirme ortamı kurmak.
• Temel bir OpenACC programı yazmak ve çalıştırmak.
• Kodu OpenACC direktifleri ve maddeleriyle etiketlemek.
• OpenACC API'leri ve kütüphanelerini kullanmak.
• OpenACC programlarını profillemek, hata ayıklamak ve optimize etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde), farklı türdeki cihazları programlamak ve paralelliklerinden yararlanmak isteyen başlangıç ​​seviyesinden orta seviyeye kadar olan geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenCL SDK'sını, OpenCL'yi destekleyen bir cihazı ve Visual Studio Code'u içeren bir geliştirme ortamı kurmak.
• Cihaz üzerinde vektör toplama gerçekleştiren ve sonuçları cihaz belleğinden alan temel bir OpenCL programı oluşturmak.
• Cihaz bilgilerini sorgulamak, bağlamlar, komut kuyrukları, arabellekler, çekirdekler ve olaylar oluşturmak için OpenCL API'sini kullanmak.
• Cihaz üzerinde yürütülen ve verileri işleyen çekirdekleri yazmak için OpenCL C dilini kullanmak.
• Yaygın görevleri ve işlemleri gerçekleştirmek için OpenCL yerleşik işlevlerini, uzantılarını ve kitaplıklarını kullanmak.
• Veri transferlerini ve bellek erişimlerini optimize etmek için OpenCL ana bilgisayar ve cihaz bellek modellerini kullanmak.
• İş öğelerini, iş gruplarını ve ND aralıklarını kontrol etmek için OpenCL yürütme modelini kullanmak.
• CodeXL, Intel VTune ve NVIDIA Nsight gibi araçları kullanarak OpenCL programlarını hata ayıklamak ve test etmek.
• Vektörleştirme, döngü açma, yerel bellek ve profil oluşturma gibi teknikleri kullanarak OpenCL programlarını optimize etmek.

Bu eğitmen liderliğindeki canlı eğitim kursu, Türkiye’da paralel hesaplama için GPU’leri nasıl programlayacağınızı, çeşitli platformları nasıl kullanacağınızı, CUDA platformu ve özellikleriyle nasıl çalışacağınızı ve CUDA kullanarak çeşitli optimizasyon tekniklerini nasıl gerçekleştireceğinizi kapsamaktadır. Uygulamalardan bazıları derin öğrenme, analitik, görüntü işleme ve mühendislik uygulamalarını içerir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde), AMD GPU'ları programlamak ve paralelliklerinden yararlanmak isteyen başlangıç ​​seviyesi ve orta seviye geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• ROCm Platformu, bir AMD GPU ve Visual Studio Code içeren bir geliştirme ortamı Windows üzerinde kurmak.
• AMD GPU üzerinde vektör toplama gerçekleştiren ve sonuçları GPU belleğinden alan temel bir ROCm programı oluşturmak.
• Cihaz bilgilerini sorgulamak, cihaz belleği ayırmak ve serbest bırakmak, ana bilgisayar ve cihaz arasında veri kopyalamak, çekirdekleri başlatmak ve iş parçacıklarını senkronize etmek için ROCm API'sini kullanmak.
• GPU üzerinde yürütülen ve verileri işleyen çekirdekleri yazmak için HIP dilini kullanmak.
• Yaygın görevleri ve işlemleri gerçekleştirmek için HIP yerleşik işlevlerini, değişkenlerini ve kitaplıklarını kullanmak.
• Veri aktarımlarını ve bellek erişimlerini optimize etmek için ROCm ve HIP bellek alanlarını (global, paylaşılan, sabit ve yerel) kullanmak.
• Paralelliği tanımlayan iş parçacıklarını, blokları ve ızgaraları kontrol etmek için ROCm ve HIP yürütme modellerini kullanmak.
• ROCm Hata Ayıklayıcısı ve ROCm Profil Oluşturucu gibi araçları kullanarak ROCm ve HIP programlarını hata ayıklamak ve test etmek.
• Birleştirme, önbellekleme, ön getirme ve profil oluşturma gibi teknikleri kullanarak ROCm ve HIP programlarını optimize etmek.