Corso di formazione GPU Programming - OpenCL vs CUDA vs ROCm

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare ROCm e HIP per programmare AMD GPU e sfruttarne il parallelismo.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa la piattaforma ROCm, un codice AMD GPU e Visual Studio.
• Creare un programma ROCm di base che esegua l'addizione vettoriale su GPU e recuperi i risultati dalla memoria GPU.
• Utilizza l'API ROCm per interrogare le informazioni sul dispositivo, allocare e deallocare la memoria del dispositivo, copiare i dati tra host e dispositivo, avviare kernel e sincronizzare i thread.
• Utilizzare il linguaggio HIP per scrivere kernel che vengono eseguiti su GPU e manipolano i dati.
• Utilizzare le funzioni, le variabili e le librerie predefinite di HIP per eseguire attività e operazioni comuni.
• Utilizzare gli spazi di memoria ROCm e HIP, ad esempio globale, condiviso, costante e locale, per ottimizzare i trasferimenti di dati e gli accessi alla memoria.
• Utilizzare i modelli di esecuzione ROCm e HIP per controllare i thread, i blocchi e le griglie che definiscono il parallelismo.
• Esegui il debug e il test dei programmi ROCm e HIP utilizzando strumenti come ROCm Debugger e ROCm Profiler.
• Ottimizza i programmi ROCm e HIP utilizzando tecniche come la coalescenza, la memorizzazione nella cache, il prefetching e la profilazione.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli amministratori di sistema principianti e ai professionisti IT che desiderano installare, configurare, gestire e risolvere i problemi degli ambienti CUDA.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Comprendere l'architettura, i componenti e le funzionalità di CUDA.
• Installare e configurare gli ambienti CUDA.
• Gestisci e ottimizza le risorse CUDA.
• Esegui il debug e risolvi i problemi comuni di CUDA.

Questa formazione guidata dal docente in Italia (online o presenza) è rivolta a sviluppatori di livello intermedio che desiderano utilizzare CUDA per creare applicazioni Python che si eseguono in parallelo sui processori NVIDIA GPU.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Utilizzare il compilatore Numba per accelerare le applicazioni Python in esecuzione su NVIDIA GPU.
• Creare, compilare e avviare kernel CUDA personalizzati.
• Gestire la memoria GPU.
• Convertire un'applicazione basata su CPU in un'applicazione accelerata da GPU.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano apprendere le basi della programmazione GPU e i principali framework e strumenti per lo sviluppo di applicazioni GPU.

• Al termine di questa formazione, i partecipanti saranno in grado di:
  Comprendere la differenza tra CPU e GPU computing e i vantaggi e le sfide della programmazione GPU.
• Scegliere il framework e lo strumento giusti per l'applicazione GPU.
• Creare un programma di base GPU che esegua l'addizione vettoriale utilizzando uno o più framework e strumenti.
• Utilizzare le rispettive API, linguaggi e librerie per eseguire query sulle informazioni sul dispositivo, allocare e deallocare la memoria del dispositivo, copiare i dati tra host e dispositivo, avviare kernel e sincronizzare i thread.
• Utilizzare i rispettivi spazi di memoria, ad esempio globale, locale, costante e privato, per ottimizzare i trasferimenti di dati e gli accessi alla memoria.
• Utilizzare i rispettivi modelli di esecuzione, ad esempio elementi di lavoro, gruppi di lavoro, thread, blocchi e griglie, per controllare il parallelismo.
• Esegui il debug e il test di GPU programmi utilizzando strumenti come CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Ottimizza GPU i programmi utilizzando tecniche quali coalescenza, memorizzazione nella cache, prelettura e profilatura.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare CUDA per programmare NVIDIA GPU e sfruttarne il parallelismo.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa CUDA Toolkit, un codice NVIDIA GPU e Visual Studio.
• Creare un programma CUDA di base che esegua l'addizione vettoriale su GPU e recuperi i risultati dalla memoria GPU.
• Utilizza l'API CUDA per eseguire query sulle informazioni sul dispositivo, allocare e deallocare la memoria del dispositivo, copiare i dati tra host e dispositivo, avviare kernel e sincronizzare i thread.
• Utilizzare il linguaggio CUDA C/C++ per scrivere kernel che vengono eseguiti su GPU e manipolano i dati.
• Utilizza le funzioni, le variabili e le librerie integrate di CUDA per eseguire attività e operazioni comuni.
• Utilizza gli spazi di memoria CUDA, ad esempio globale, condiviso, costante e locale, per ottimizzare i trasferimenti di dati e gli accessi alla memoria.
• Utilizzare il modello di esecuzione CUDA per controllare i thread, i blocchi e le griglie che definiscono il parallelismo.
• Esegui il debug e il test dei programmi CUDA utilizzando strumenti come CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Ottimizza i programmi CUDA utilizzando tecniche come la coalescenza, la memorizzazione nella cache, il precaricamento e la profilatura.

Il 97% dei clienti soddisfa. 

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare OpenACC per programmare dispositivi eterogenei e sfruttarne il parallelismo.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa OpenACC SDK, un dispositivo che supporti OpenACC e Visual Studio Code.
• Creare un programma OpenACC di base che esegua l'addizione vettoriale sul dispositivo e recuperi i risultati dalla memoria del dispositivo.
• Utilizzare le direttive e le clausole OpenACC per annotare il codice e specificare le aree parallele, lo spostamento dei dati e le opzioni di ottimizzazione.
• Utilizza l'API OpenACC per interrogare le informazioni sul dispositivo, impostare il numero del dispositivo, gestire gli errori e sincronizzare gli eventi.
• Utilizza le librerie OpenACC e le funzionalità di interoperabilità per integrare OpenACC con altri modelli di programmazione, ad esempio CUDA, OpenMP e MPI.
• Utilizza gli strumenti OpenACC per profilare ed eseguire il debug dei programmi OpenACC e identificare i colli di bottiglia e le opportunità delle prestazioni.
• Ottimizza i programmi OpenACC utilizzando tecniche come la localizzazione dei dati, la fusione del loop, la fusione del kernel e l'ottimizzazione automatica.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare OpenCL per programmare dispositivi eterogenei e sfruttarne il parallelismo.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa OpenCL SDK, un dispositivo che supporti OpenCL e Visual Studio Code.
• Creare un programma di base OpenCL che esegua l'addizione vettoriale sul dispositivo e recuperi i risultati dalla memoria del dispositivo.
• Utilizzare l'API OpenCL per eseguire query sulle informazioni sul dispositivo, creare contesti, code di comandi, buffer, kernel ed eventi.
• Utilizzare il linguaggio OpenCL C per scrivere kernel che vengono eseguiti sul dispositivo e manipolano i dati.
• Utilizzare OpenCL funzioni, estensioni e librerie integrate per eseguire attività e operazioni comuni.
• Utilizzare i modelli di memoria host e dispositivo OpenCL per ottimizzare i trasferimenti di dati e gli accessi alla memoria.
• Utilizzare il modello di esecuzione OpenCL per controllare gli elementi di lavoro, i gruppi di lavoro e gli intervalli ND.
• Esegui il debug e il test di OpenCL programmi utilizzando strumenti come CodeXL, Intel VTune e NVIDIA Nsight.
• Ottimizza OpenCL i programmi utilizzando tecniche come la vettorizzazione, lo srotolamento dei loop, la memoria locale e la profilazione.

Questo corso di formazione dal vivo con istruttore in Italia illustra come programmare GPU per il calcolo parallelo, come utilizzare varie piattaforme, come lavorare con la piattaforma CUDA e le sue funzionalità e come eseguire varie tecniche di ottimizzazione utilizzando CUDA. Alcune delle applicazioni includono deep learning, analisi, elaborazione delle immagini e applicazioni ingegneristiche.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano installare e utilizzare ROCm su Windows per programmare AMD GPU e sfruttarne il parallelismo.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa la piattaforma ROCm, un AMD GPU e Visual Studio Code su Windows.
• Creare un programma ROCm di base che esegua l'addizione vettoriale su GPU e recuperi i risultati dalla memoria GPU.
• Utilizza l'API ROCm per interrogare le informazioni sul dispositivo, allocare e deallocare la memoria del dispositivo, copiare i dati tra host e dispositivo, avviare kernel e sincronizzare i thread.
• Utilizzare il linguaggio HIP per scrivere kernel che vengono eseguiti su GPU e manipolano i dati.
• Utilizzare le funzioni, le variabili e le librerie predefinite di HIP per eseguire attività e operazioni comuni.
• Utilizzare gli spazi di memoria ROCm e HIP, ad esempio globale, condiviso, costante e locale, per ottimizzare i trasferimenti di dati e gli accessi alla memoria.
• Utilizzare i modelli di esecuzione ROCm e HIP per controllare i thread, i blocchi e le griglie che definiscono il parallelismo.
• Esegui il debug e il test dei programmi ROCm e HIP utilizzando strumenti come ROCm Debugger e ROCm Profiler.
• Ottimizza i programmi ROCm e HIP utilizzando tecniche come la coalescenza, la memorizzazione nella cache, il prefetching e la profilazione.