Cursos de GPU em Sintra

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

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 Sintra (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 e Cambricon são plataformas de hardware de IA líderes na China, cada uma oferecendo ferramentas únicas de aceleração e perfilamento para cargas de trabalho de IA em escala de produção.

Esta formação ao vivo (online ou presencial), ministrada por um instrutor, é direcionada a engenheiros avançados de infraestrutura e desempenho de IA que desejam otimizar fluxos de trabalho de inferência e treinamento de modelos em múltiplas plataformas de chips de IA chineses.

No final desta formação, os participantes serão capazes de:

• Benchmarkear modelos nas plataformas Ascend, Biren e Cambricon.
• Identificar gargalos do sistema e ineficiências de memória/cálculo.
• Aplique otimizações em nível de gráfico, núcleo e operador.
• Ajustar pipelines de implantação para melhorar a taxa de transferência e a latência.

Formato do Curso

• Aula interativa e discussão.
• Uso prático das ferramentas de perfilamento e otimização em cada plataforma.
• Exercícios guiados focados em cenários práticos de ajuste.

Opções de Customização do Curso

• Para solicitar uma formação personalizada com base no seu ambiente de desempenho ou tipo de modelo, entre em contato conosco para agendar.

Este treinamento ao vivo conduzido por instrutor em Sintra (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.

Arquiteturas chinesas GPU como Huawei Ascend, Biren e Cambricon MLUs oferecem alternativas ao CUDA, adaptadas para os mercados de IA e HPC locais.

Esta formação presencial ou online, ministrada por instrutores, destina-se a programadores avançados GPU e especialistas em infraestrutura que desejam migrar e otimizar aplicativos CUDA existentes para plataformas de hardware chinesas.

Ao final deste treinamento, os participantes serão capazes de:

• Avaliar a compatibilidade dos trabalhos do CUDA existente com as alternativas de chips chineses.
• Portar bases de código CUDA para ambientes Huawei CANN, Biren SDK e Cambricon BANGPy.
• Comparar o desempenho e identificar pontos de otimização em diferentes plataformas.
• Enfrentar desafios práticos no suporte a arquiteturas cruzadas e na implantação.

Formato do Curso

• Aula interativa e discussão.
• Laboratórios de tradução prática de código e comparação de desempenho.
• Exercícios guiados focados em estratégias de adaptação multi-GPU.

Opções de Personalização do Curso

• Para solicitar uma formação personalizada baseada no seu plataforma ou projeto CUDA, entre em contato conosco para agendar.

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

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.

As unidades MLU da Cambricon (Machine Learning) são chips especializados de IA otimizados para inferência e treinamento em cenários de borda e datacenter.

Este treinamento ao vivo, conduzido por um instrutor (online ou presencial), é direcionado a desenvolvedores intermediários que desejam construir e implantar modelos de IA usando o framework BANGPy e o SDK Neuware na hardware MLU da Cambricon.

No final deste treinamento, os participantes serão capazes de:

• Configurar e configurar os ambientes de desenvolvimento do BANGPy e Neuware.
• Desenvolver e otimizar modelos baseados em Python e C++ para as unidades MLU da Cambricon.
• Implantar modelos em dispositivos de borda e data center que executam o tempo de execução Neuware.
• Integrar fluxos de trabalho de ML com recursos de aceleração específicos do MLU.

Formato do Curso

• Aula interativa e discussão.
• Uso prático do BANGPy e Neuware para desenvolvimento e implantação.
• Exercícios guiados focados em otimização, integração e teste.

Opções de Personalização do Curso

• Para solicitar um treinamento personalizado baseado no modelo do dispositivo Cambricon ou caso de uso específico, entre em contato conosco para agendar.

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

Esta formação ao vivo, ministrada pelo instrutor em Sintra (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