Cursos de GPU em Almada

Esta formação ao vivo, ministrada por um instrutor em Almada (online ou presencial), destina-se a desenvolvedores de nível iniciante a intermédio que pretendem utilizar o OpenACC para programar dispositivos heterogéneos e explorar o seu paralelismo.

À data desta formação, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento OpenACC.
• Escrever e executar um programa básico em OpenACC.
• Anotar código com diretrizes e cláusulas OpenACC.
• Utilizar a API e as bibliotecas OpenACC.
• Realizar perfil, depurar e otimizar programas OpenACC.

Esta formação ao vivo, ministrada por um instrutor em Almada (online ou presencial), destina-se a desenvolvedores de nível iniciante a intermédio que desejam aprender as noções fundamentais da programação de GPU e os principais frameworks e ferramentas para o desenvolvimento de aplicações GPU.

• Ao final desta formação, os participantes serão capazes de:
  Compreender a diferença entre a computação CPU e GPU, bem como as vantagens e desafios da programação de GPU.
• Escolher o framework e a ferramenta adequados para a sua aplicação GPU.
• Criar um programa GPU básico que realize a adição de vetores utilizando um ou mais dos frameworks e ferramentas mencionados.
• Utilizar as respetivas APIs, linguagens e bibliotecas para consultar informações do dispositivo, alocar e desalocar memória de dispositivo, copiar dados entre o anfitrião (host) e o dispositivo, iniciar kernels e sincronizar threads.
• Utilizar os respetivos espaços de memória, como global, local, constante e privado, para otimizar as transferências de dados e os acessos à memória.
• Utilizar os respetivos modelos de execução, como work-items, work-groups, threads, blocos e grelhas (grids), para controlar o paralelismo.
• Depurar e testar programas GPU utilizando ferramentas como CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Otimizar programas GPU utilizando técnicas como coalescing, cache, prefetching e profiling.

Esta formação ao vivo, conduzida por instrutores em Almada (online ou presencial), destina-se a programadores de nível iniciante a intermédio que desejam utilizar diferentes frameworks para programação de GPUs e comparar as suas funcionalidades, desempenho e compatibilidade.

No final desta formação, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua o SDK do OpenCL, o Toolkit do CUDA, a Plataforma ROCm, um dispositivo que suporte OpenCL, CUDA ou ROCm e o Visual Studio Code.
• Criar um programa básico de GPU que realize a soma de vetores utilizando OpenCL, CUDA e ROCm, e comparar a sintaxe, a estrutura e a execução de cada framework.
• Utilizar as respetivas 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 respetivas linguagens para escrever kernels que são executados no dispositivo e manipular dados.
• Utilizar as respetivas funções, variáveis e bibliotecas integradas para executar tarefas e operações comuns.
• Utilizar os respetivos espaços de memória, como global, local, constante e privado, para otimizar as transferências de dados e os acessos à memória.
• Utilizar os respetivos modelos de execução para controlar as threads, blocos e grelhas que definem o paralelismo.
• Depurar e testar programas de GPU utilizando ferramentas como CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Otimizar programas de GPU utilizando técnicas como coalescing, caching, prefetching e profiling.

Esta formação presencial em Almada (online ou presencial) conduzida por um formador é destinada a desenvolvedores de nível iniciante a intermédio que desejam instalar e utilizar o ROCm no Windows para programar GPUs AMD e explorar a sua paralelização.

Ao final desta formação, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua a Plataforma ROCm, uma GPU AMD e o Visual Studio Code no Windows.
• Criar um programa básico ROCm que execute a adição de vetores na GPU e recupere os resultados da memória da GPU.
• Utilizar a API ROCm para consultar informações do dispositivo, alocar e desalocar memória de dispositivo, copiar dados entre o host e o dispositivo, iniciar kernels e sincronizar threads.
• Utilizar a linguagem HIP para escrever kernels que se executam na GPU e manipulam dados.
• Utilizar funções integradas, variáveis e bibliotecas HIP para realizar tarefas e operações comuns.
• Utilizar espaços de memória ROCm e HIP, como global, partilhado, constante e local, para otimizar a transferência de dados e o acesso à memória.
• Utilizar modelos de execução ROCm e HIP para controlar as threads, blocos e grelhas que definem a paralelização.
• Depurar e testar programas ROCm e HIP utilizando ferramentas como o ROCm Debugger e o ROCm Profiler.
• Otimizar programas ROCm e HIP utilizando técnicas como coalescing, cache, pré-visualização (prefetching) e análise de desempenho (profiling).

Esta formação ao vivo, conduzida por um instrutor em Almada (online ou presencial), destina-se a desenvolvedores de nível iniciante a intermédio que desejem usar o ROCm e o HIP para programar GPUs AMD e explorar o seu paralelismo.

Ao final desta formação, os participantes estarão aptos a:

• Configurar um ambiente de desenvolvimento que inclua a plataforma ROCm, uma GPU AMD e o Visual Studio Code.
• Criar um programa básico em ROCm que execute a soma de vetores na GPU e recupere os resultados a partir da memória da GPU.
• Utilizar a API do ROCm para consultar informações do dispositivo, alocar e desalocar memória de dispositivo, copiar dados entre o anfitrião e o dispositivo, iniciar kernels e sincronizar threads.
• Usar a linguagem HIP para escrever kernels que são executados na GPU e manipular dados.
• Utilizar funções, variáveis e bibliotecas integradas do HIP para executar tarefas e operações comuns.
• Usar espaços de memória do ROCm e do HIP, como global, partilhada, constante e local, para otimizar transferências de dados e acessos à memória.
• Utilizar os modelos de execução do ROCm e do HIP para controlar as threads, os blocos e as grelhas que definem o paralelismo.
• Depurar e testar programas em ROCm e HIP utilizando ferramentas como o ROCm Debugger e o ROCm Profiler.
• Otimizar programas em ROCm e HIP utilizando técnicas como coalescing, cache, pré-carregamento (prefetching) e profiling.

Otimize o desempenho da inferência de redes neuronais em processadores de IA Ascend com esta formação avançada, ministrada por um instrutor, em Almada. Explore a arquitetura de runtime do CANN, aproveitando o Graph Engine, o TIK e o TVM para perfilamento, desenvolvimento de operadores personalizados e resolução de gargalos de memória.

Esta formação ao vivo, conduzida por um instrutor, em Almada (online ou presencial), destina-se a developers de nível iniciante a intermédio que desejam utilizar o CUDA para programar GPUs NVIDIA e explorar a sua paralelização.

No final desta formação, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua o CUDA Toolkit, uma GPU NVIDIA e o Visual Studio Code.
• Criar um programa CUDA básico que efetue a adição de vetores na GPU e recupere os resultados da memória da GPU.
• Utilizar a API do CUDA para consultar informações do dispositivo, alocar e desalocar memória do dispositivo, copiar dados entre anfitrião (host) e dispositivo, lançar kernels e sincronizar threads.
• Utilizar a linguagem CUDA C/C++ para escrever kernels que são executados na GPU e manipulam dados.
• Utilizar funções, variáveis e bibliotecas integradas do CUDA para realizar tarefas e operações comuns.
• Utilizar espaços de memória do CUDA, como global, partilhado (shared), constante e local, para otimizar transferências de dados e acessos à memória.
• Utilizar o modelo de execução do CUDA para controlar threads, blocos e grelhas (grids) que definem a paralelização.
• Depurar e testar programas CUDA utilizando ferramentas como CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Otimizar programas CUDA utilizando técnicas como coalescing, cache, prefetching e profiling.

97% de clientes satisfeitos. 

Esta formação ao vivo, ministrada por um instrutor em Almada (online ou presencial), destina-se a administradores de sistemas e profissionais de TI de nível inicial que desejam instalar, configurar, gerir e solucionar problemas em ambientes CUDA.

No final desta formação, os participantes serão capazes de:

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

Esta formação ao vivo, orientada por instrutores, em Almada (online ou presencial), destina-se a desenvolvedores de nível inicial a intermédio que pretendam utilizar o OpenCL para programar dispositivos heterogéneos e explorar o seu paralelismo.

Ao final desta formação, 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 efetue a adição de vetores no dispositivo e recupere os resultados da memória do dispositivo.
• Utilizar a API do OpenCL para consultar informações do dispositivo, criar contextos, filas de comandos, buffers, kernels e eventos.
• Utilizar a linguagem OpenCL C para escrever kernels que sejam executados no dispositivo e manipulados dados.
• Utilizar funções integradas, extensões e bibliotecas do OpenCL para executar tarefas e operações comuns.
• Utilizar os modelos de memória de anfitrião e dispositivo do OpenCL para otimizar transferências de dados e acessos à memória.
• Utilizar o modelo de execução do OpenCL para controlar work-items, work-groups e ND-ranges.
• Depurar e testar programas OpenCL utilizando ferramentas como CodeXL, Intel VTune e NVIDIA Nsight.
• Otimizar programas OpenCL utilizando técnicas como vetorização, desenrolamento de laços, memória local e profiling.

Esta formação ao vivo, ministrada por instrutores, em Almada (online ou presencial), destina-se a desenvolvedores de C++ que desejam usar o CUDA para acelerar aplicações, escrever kernels de GPU de alto desempenho e aproveitar bibliotecas de algoritmos paralelos para cargas de trabalho em computação científica, processamento de dados e aprendizado de máquina.

Esta formação ao vivo, liderada por instrutor em Almada (online ou presencial), destina-se a developers C/C++ que pretendem utilizar a CUDA para acelerar aplicações com alta intensidade de processamento, incluindo processamento de dados, simulações científicas, cargas de trabalho de machine learning e pipelines de processamento de imagem.

Esta formação ao vivo, conduzida por formadores, em Almada (online ou presencial), destina-se a desenvolvedores de software, analistas de dados e profissionais técnicos que pretendam utilizar TensorFlow 2.x e Keras para construir, treinar e implementar modelos de deep learning para visão computacional, processamento de linguagem natural e aplicações multimodais.

Este curso de formação ao vivo, com instrutor, em Almada aborda a programação de GPUs para computação paralela, a utilização de diversas plataformas, o trabalho com a plataforma CUDA e as suas funcionalidades, bem como a aplicação de várias técnicas de otimização utilizando CUDA. Algumas das áreas de aplicação incluem aprendizagem profunda (deep learning), análise de dados, processamento de imagens e aplicações de engenharia.