GPU Programming with OpenCL Training Course

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng ROCm và HIP để lập trình cho các thiết bị AMD GPU và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm Nền tảng ROCm, thiết bị AMD GPU và Visual Studio Code.
• Tạo một chương trình ROCm cơ bản thực hiện phép cộng vector trên thiết bị GPU và truy xuất kết quả từ bộ nhớ của thiết bị GPU.
• Sử dụng API ROCm để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng ngôn ngữ HIP để viết kernel thực thi trên thiết bị GPU và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp của HIP để thực hiện các tác vụ và hoạt động phổ biến.
• Sử dụng không gian bộ nhớ ROCm và HIP, chẳng hạn như toàn cục, chia sẻ, hằng số và cục bộ, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng mô hình thực thi ROCm và HIP để điều khiển các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình ROCm và HIP bằng các công cụ như ROCm Debugger và ROCm Profiler.
• Tối ưu hóa các chương trình ROCm và HIP bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các quản trị viên hệ thống và chuyên gia IT ở trình độ mới bắt đầu, những người muốn cài đặt, cấu hình, quản lý và khắc phục sự cố môi trường CUDA.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu kiến trúc, các thành phần và khả năng của CUDA.
• Cài đặt và cấu hình môi trường CUDA.
• Quản lý và tối ưu hóa tài nguyên CUDA.
• Gỡ lỗi và khắc phục các sự cố phổ biến của CUDA.

Buổi đào tạo trực tiếp do giảng viên hướng dẫn tại Việt Nam (trực tuyến hoặc trực tiếp) này dành cho các nhà phát triển cấp trung muốn sử dụng CUDA để xây dựng các ứng dụng Python chạy song song trên các thiết bị NVIDIA GPU.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Sử dụng trình biên dịch Numba để tăng tốc các ứng dụng Python chạy trên NVIDIA GPU.
• Tạo, biên dịch và khởi chạy các kernel CUDA tùy chỉnh.
• Quản lý bộ nhớ GPU.
• Chuyển đổi một ứng dụng dựa trên CPU thành một ứng dụng được tăng tốc bởi GPU.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn học các kiến thức cơ bản về lập trình GPU và các framework và công cụ chính để phát triển ứng dụng GPU.

• Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:
  Hiểu sự khác biệt giữa CPU và lập trình GPU cũng như những lợi ích và thách thức của lập trình GPU.
• Chọn framework và công cụ phù hợp cho ứng dụng GPU của họ.
• Tạo một chương trình GPU cơ bản thực hiện phép cộng vector bằng một hoặc nhiều framework và công cụ.
• Sử dụng các API, ngôn ngữ và thư viện tương ứng để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa host và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng các không gian bộ nhớ tương ứng, chẳng hạn như global, local, constant và private, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng các mô hình thực thi tương ứng, chẳng hạn như work-items, work-groups, threads, blocks và grids, để kiểm soát tính song song.
• Gỡ lỗi và kiểm tra các chương trình GPU bằng các công cụ như CodeXL, CUDA-GDB, CUDA-MEMCHECK và NVIDIA Nsight.
• Tối ưu hóa các chương trình GPU bằng các kỹ thuật như coalescing, caching, prefetching và profiling.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng CUDA để lập trình cho NVIDIA GPU và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm CUDA Toolkit, NVIDIA GPU và Visual Studio Code.
• Tạo một chương trình CUDA cơ bản thực hiện phép cộng vector trên GPU và truy xuất kết quả từ bộ nhớ GPU.
• Sử dụng CUDA API để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng ngôn ngữ CUDA C/C++ để viết kernel thực thi trên GPU và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp của CUDA để thực hiện các tác vụ và hoạt động phổ biến.
• Sử dụng các không gian bộ nhớ CUDA, chẳng hạn như toàn cục, chia sẻ, hằng số và cục bộ, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng mô hình thực thi CUDA để điều khiển các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình CUDA bằng các công cụ như CUDA-GDB, CUDA-MEMCHECK và NVIDIA Nsight.
• Tối ưu hóa các chương trình CUDA bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.

97% khách hàng hài lòng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng OpenACC để lập trình cho các thiết bị dị nhất và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển OpenACC.
• Viết và chạy một chương trình OpenACC cơ bản.
• Chú thích mã bằng các chỉ thị và mệnh đề OpenACC.
• Sử dụng OpenACC API và thư viện.
• Phân tích hiệu năng, gỡ lỗi và tối ưu hóa các chương trình OpenACC.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng các framework khác nhau cho lập trình GPU và so sánh các tính năng, hiệu suất và khả năng tương thích của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm OpenCL SDK, CUDA Toolkit, ROCm Platform, một thiết bị hỗ trợ OpenCL, CUDA hoặc ROCm và Visual Studio Code.
• Tạo một chương trình GPU cơ bản thực hiện phép cộng vector bằng cách sử dụng OpenCL, CUDA và ROCm, và so sánh cú pháp, cấu trúc và cách thực thi của mỗi framework.
• Sử dụng các API tương ứng để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng các ngôn ngữ tương ứng để viết kernel thực thi trên thiết bị và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp tương ứng để thực hiện các tác vụ và thao tác phổ biến.
• Sử dụng các không gian bộ nhớ tương ứng, chẳng hạn như toàn cục, cục bộ, hằng số và riêng tư, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng các mô hình thực thi tương ứng để kiểm soát các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình GPU bằng các công cụ như CodeXL, CUDA-GDB, CUDA-MEMCHECK và NVIDIA Nsight.
• Tối ưu hóa các chương trình GPU bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, đề cập đến cách lập trình GPUs cho điện toán song song, cách sử dụng các nền tảng khác nhau, cách làm việc với nền tảng CUDA và các tính năng của nó, cũng như cách thực hiện các kỹ thuật tối ưu hóa khác nhau bằng CUDA. Một số ứng dụng bao gồm học sâu, phân tích dữ liệu, xử lý hình ảnh và các ứng dụng kỹ thuật.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn cài đặt và sử dụng ROCm trên Windows để lập trình cho các thiết bị AMD GPU và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm Nền tảng ROCm, thiết bị AMD GPU và Visual Studio Code trên Windows.
• Tạo một chương trình ROCm cơ bản thực hiện phép cộng vector trên thiết bị GPU và truy xuất kết quả từ bộ nhớ của thiết bị GPU.
• Sử dụng API ROCm để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng ngôn ngữ HIP để viết kernel thực thi trên thiết bị GPU và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp của HIP để thực hiện các tác vụ và hoạt động phổ biến.
• Sử dụng các không gian bộ nhớ ROCm và HIP, chẳng hạn như toàn cục, chia sẻ, hằng số và cục bộ, để tối ưu hóa việc truyền và truy cập bộ nhớ.
• Sử dụng các mô hình thực thi ROCm và HIP để điều khiển các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình ROCm và HIP bằng các công cụ như ROCm Debugger và ROCm Profiler.
• Tối ưu hóa các chương trình ROCm và HIP bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.