Cursos de GPU em Brasília

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar o OpenACC para programar dispositivos heterogêneos e explorar seu paralelismo.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua o OpenACC SDK, um dispositivo que suporte OpenACC, e Visual Studio Código.
• Criar um programa OpenACC básico que execute a adição de vectores no dispositivo e recupere os resultados da memória do dispositivo.
• Utilize as directivas e cláusulas OpenACC para anotar o código e especificar as regiões paralelas, o movimento de dados e as opções de otimização.
• Utilizar a API OpenACC para consultar informações do dispositivo, definir o número do dispositivo, tratar erros e sincronizar eventos.
• Usar as bibliotecas OpenACC e os recursos de interoperabilidade para integrar o OpenACC a outros modelos de programação, como CUDA, OpenMP e MPI.
• Usar ferramentas OpenACC para criar perfis e depurar programas OpenACC e identificar gargalos e oportunidades de desempenho.
• Otimizar programas OpenACC usando técnicas como localidade de dados, fusão de loop, fusão de kernel e auto-tuning.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam aprender os conceitos básicos de programação GPU e as principais estruturas e ferramentas para o desenvolvimento de aplicativos GPU.

• Ao final deste treinamento, os participantes serão capazes de:
  Compreender a diferença entre CPU e computação GPU e os benefícios e desafios da programação GPU.
• Escolher a estrutura e a ferramenta correcta para a sua aplicação GPU.
• Criar um programa GPU básico que executa adição de vectores usando uma ou mais das estruturas e ferramentas.
• Utilizar as respectivas API, linguagens e bibliotecas para consultar informações sobre o dispositivo, atribuir e anular a atribuição de memória ao dispositivo, copiar dados entre o anfitrião e o dispositivo, lançar kernels e sincronizar threads.
• Utilizar os respectivos espaços de memória, tais como global, local, constante e privado, para otimizar as transferências de dados e os acessos à memória.
• Utilizar os respectivos modelos de execução, tais como work-items, work-groups, threads, blocos e grelhas, para controlar o paralelismo.
• Depurar e testar programas GPU usando ferramentas como CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Otimizar programas GPU usando técnicas como coalescência, armazenamento em cache, pré-busca e criação de perfil.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar diferentes estruturas para programação GPU e comparar seus recursos, desempenho e compatibilidade.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclui OpenCL SDK, CUDA Toolkit, Plataforma ROCm, um dispositivo que suporta OpenCL, CUDA, ou ROCm, e Visual Studio Código.
• Crie um programa GPU básico que execute a adição de vectores utilizando OpenCL, CUDA e ROCm e compare a sintaxe, a estrutura e a execução de cada estrutura.
• Use as respectivas APIs para consultar informações do dispositivo, alocar e desalocar memória do dispositivo, copiar dados entre o host e o dispositivo, iniciar kernels e sincronizar threads.
• Utilizar as respectivas linguagens para escrever kernels que executam no dispositivo e manipulam dados.
• Utilizar as respectivas funções incorporadas, variáveis e bibliotecas para executar tarefas e operações comuns.
• Utilizar os respectivos espaços de memória, tais como global, local, constante e privado, para otimizar as transferências de dados e os acessos à memória.
• Utilizar os respectivos modelos de execução para controlar as threads, blocos e grelhas que definem o paralelismo.
• Depurar e testar programas GPU usando ferramentas como CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Otimizar programas GPU usando técnicas como coalescência, armazenamento em cache, pré-busca e criação de perfil.

CloudMatrix é a plataforma unificada de desenvolvimento e implantação de IA da Huawei, projetada para suportar pipelines escaláveis e de produção para inferência.

Esta formação ao vivo (online ou presencial), orientada por instrutor, destina-se a profissionais de nível iniciante a intermediário em IA que desejam implantar e monitorar modelos de IA usando a plataforma CloudMatrix com integração de CANN e MindSpore.

No final desta formação, os participantes serão capazes de:

• Usar o CloudMatrix para embalagem, implantação e fornecimento de modelos.
• Converter e otimizar modelos para chipsets Ascend.
• Configurar pipelines para tarefas de inferência em tempo real e por lotes.
• Monitorar implantações e ajustar o desempenho em configurações de produção.

Formato do Curso

• Aula interativa e discussão.
• Uso prático do CloudMatrix com cenários reais de implantação.
• Exercícios guiados focados em conversão, otimização e escalabilidade.

Opções de Personalização do Curso

• Para solicitar uma formação personalizada baseada na sua infraestrutura de IA ou ambiente em nuvem, entre em contato conosco para agendar.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam instalar e usar o ROCm no Windows para programar AMD GPU s e explorar seu paralelismo.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua a plataforma ROCm, um AMD GPU e um código Visual Studio no Windows.
• Criar um programa ROCm básico que execute a adição de vectores no GPU e recupere os resultados da memória do GPU.
• Use a API do ROCm para consultar informações do dispositivo, alocar e desalocar memória do dispositivo, copiar dados entre o host e o dispositivo, iniciar kernels e sincronizar threads.
• Utilizar a linguagem HIP para escrever kernels que executam no GPU e manipulam dados.
• Utilizar funções, variáveis e bibliotecas incorporadas na HIP para executar tarefas e operações comuns.
• Utilizar espaços de memória ROCm e HIP, tais como global, partilhada, constante e local, para otimizar as transferências de dados e os acessos à memória.
• Utilizar os modelos de execução do ROCm e da HIP para controlar os threads, blocos e grelhas que definem o paralelismo.
• Depurar e testar programas ROCm e HIP usando ferramentas como o ROCm Debugger e o ROCm Profiler.
• Otimizar programas ROCm e HIP usando técnicas como coalescência, armazenamento em cache, pré-busca e criação de perfil.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar ROCm e HIP para programar AMD GPU s e explorar seu paralelismo.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua a Plataforma ROCm, um AMD GPU e um Código Visual Studio.
• Criar um programa ROCm básico que execute a adição de vectores no GPU e recupere os resultados da memória GPU.
• Utilizar a API do ROCm para consultar informações sobre o dispositivo, atribuir e anular a atribuição de memória ao dispositivo, copiar dados entre o anfitrião e o dispositivo, lançar kernels e sincronizar threads.
• Utilizar a linguagem HIP para escrever kernels que executam no GPU e manipulam dados.
• Utilizar funções, variáveis e bibliotecas incorporadas na HIP para executar tarefas e operações comuns.
• Utilizar espaços de memória ROCm e HIP, tais como global, partilhada, constante e local, para otimizar as transferências de dados e os acessos à memória.
• Utilizar os modelos de execução do ROCm e da HIP para controlar os threads, blocos e grelhas que definem o paralelismo.
• Depurar e testar programas ROCm e HIP usando ferramentas como o ROCm Debugger e o ROCm Profiler.
• Otimizar programas ROCm e HIP usando técnicas como coalescência, armazenamento em cache, pré-busca e criação de perfil.

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.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar o CUDA para programar NVIDIA GPU s e explorar seu paralelismo.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua o CUDA Toolkit, um código NVIDIA GPU e Visual Studio.
• Criar um programa CUDA básico que execute a adição de vetores no GPU e recupere os resultados da memória GPU.
• Use a API CUDA para consultar informações do dispositivo, alocar e desalocar a memória do dispositivo, copiar dados entre o host e o dispositivo, iniciar kernels e sincronizar threads.
• Use a linguagem CUDA C/C++ para escrever kernels que são executados no GPU e manipulam dados.
• Usar funções, variáveis e bibliotecas internas da CUDA para executar tarefas e operações comuns.
• Usar espaços de memória CUDA, como global, compartilhado, constante e local, para otimizar transferências de dados e acessos à memória.
• Usar o modelo de execução CUDA para controlar os threads, blocos e grades que definem o paralelismo.
• Depurar e testar programas CUDA usando ferramentas como CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Otimizar programas CUDA usando técnicas como coalescência, armazenamento em cache, pré-busca e criação de perfil.

97% dos clientes satisfeitos.

Huawei Ascend é uma família de processadores de IA projetados para inferência e treinamento de alta performance.

Esta formação ao vivo (online ou presencial), conduzida por um instrutor, destina-se a engenheiros de IA intermediários e cientistas de dados que desejam desenvolver e otimizar modelos de redes neurais usando a plataforma Ascend da Huawei e o toolkit CANN.

No final desta formação, os participantes serão capazes de:

• Configurar e configurar o ambiente de desenvolvimento do CANN.
• Desenvolver aplicações de IA utilizando MindSpore e fluxos de trabalho CloudMatrix.
• Otimizar desempenho em NPUs Ascend usando operadores personalizados e tiling.
• Implantar modelos em ambientes de borda ou nuvem.

Formato do Curso

• Aula interativa e discussão.
• Uso prático dos processadores Huawei Ascend e toolkit CANN em aplicações de exemplo.
• Exercícios guiados focados na construção, treinamento e implantação do modelo.

Opções de Personalização do Curso

• Para solicitar uma formação personalizada para este curso com base em sua infraestrutura ou conjuntos de dados, entre em contato conosco para agendar.

Biren AI Accelerators are high-performance GPUs designed for AI and HPC workloads with support for large-scale training and inference.

This instructor-led, live training (online or onsite) is aimed at intermediate-level to advanced-level developers who wish to program and optimize applications using Biren’s proprietary GPU stack, with practical comparisons to CUDA-based environments.

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

• Understand Biren GPU architecture and memory hierarchy.
• Set up the development environment and use Biren’s programming model.
• Translate and optimize CUDA-style code for Biren platforms.
• Apply performance tuning and debugging techniques.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of Biren SDK in sample GPU workloads.
• Guided exercises focused on porting and performance tuning.

Course Customization Options

• To request a customized training for this course based on your application stack or integration needs, please contact us to arrange.

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.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a administradores de sistema de nível iniciante e profissionais de TI que desejam instalar, configurar, gerenciar e solucionar problemas de ambientes CUDA.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender a arquitetura, os componentes e os recursos do CUDA.
• Instalar e configurar ambientes CUDA.
• Gerenciar e otimizar recursos CUDA.
• Depurar e solucionar problemas comuns de CUDA.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar OpenCL para programar dispositivos heterogêneos e explorar seu paralelismo.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua o OpenCL SDK, um dispositivo que suporte o OpenCL e o Visual Studio Code.
• Criar um programa OpenCL básico que execute a adição de vectores no dispositivo e recupere os resultados da memória do dispositivo.
• Utilizar a API OpenCL para consultar informações sobre o dispositivo, criar contextos, filas de comandos, buffers, kernels e eventos.
• Utilizar a OpenCL linguagem C para escrever kernels que são executados no dispositivo e manipulam dados.
• Utilizar OpenCL funções incorporadas, extensões e bibliotecas para efetuar tarefas e operações comuns.
• Utilizar OpenCL modelos de memória do anfitrião e do dispositivo para otimizar as transferências de dados e os acessos à memória.
• Utilizar o modelo de execução OpenCL para controlar os work-items, os grupos de trabalho e os intervalos ND.
• Depurar e testar programas OpenCL usando ferramentas como CodeXL, Intel VTune e NVIDIA Nsight.
• Otimizar programas OpenCL usando técnicas como vetorização, desenrolamento de loop, memória local e criação de perfil.

Esta formação ao vivo, ministrada pelo instrutor em Brasília (online ou presencial), é direcionada a desenvolvedores de nível intermediário que desejam usar CUDA para criar aplicações Python que rodem em paralelo nos dispositivos NVIDIA GPU.

No final desta formação, os participantes serão capazes de

Este curso de treinamento ao vivo conduzido por instrutor em Brasília cobre como programar GPUs para computação paralela,  como usar várias plataformas, como trabalhar com a plataforma CUDA e seus recursos e como executar várias técnicas de otimização usando CUDA. Algumas das aplicações incluem aprendizagem profunda, análise, processamento de imagem e aplicações de engenharia.