Cursos de NVIDIA GPU Programming - Extended

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

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

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