Cursos de Administration of CUDA

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores que desejam usar CUDA para criar Python aplicativos que são executados em paralelo em GPUs NVIDIA.

No final desta formação, os participantes serão capazes de

• Use o compilador Numba para acelerar Python aplicativos executados em GPUs NVIDIA.
• Criar, compilar e lançar kernels CUDA personalizados.
• Gerenciar a memória da GPU.
• Converter um aplicativo baseado em CPU em um aplicativo acelerado por GPU.

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

This course covers how to program GPUs for parallel computing. Some of the applications include deep learning, analytics, and engineering applications.

Este treinamento ao vivo conduzido por instrutor em Brasil (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 Brasil (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.

Este treinamento ao vivo conduzido por instrutor em Brasil (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 Brasil (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.

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

Este curso de treinamento ao vivo conduzido por instrutor em Brasil 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.

Este treinamento ao vivo conduzido por instrutor em Brasil (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 Brasil (online ou no local) é destinado a desenvolvedores que desejam criar modelos de deteção e rastreamento de objetos acelerados por hardware para analisar dados de vídeo em fluxo contínuo.

No final desta formação, os participantes serão capazes de

• Instalar e configurar o ambiente de desenvolvimento, o software e as bibliotecas necessários para começar a desenvolver.
• Construir, treinar e implantar modelos de aprendizado profundo para analisar feeds de vídeo ao vivo.
• Identificar, rastrear, segmentar e prever diferentes objetos dentro de quadros de vídeo.
• Otimizar modelos de deteção e rastreamento de objetos.
• Implantar um aplicativo de análise de vídeo inteligente (IVA).