Corso di formazione Administration of CUDA

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare CUDA per creare Python applicazioni che vengono eseguite in parallelo su GPU NVIDIA.

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

• Utilizzate il compilatore Numba per accelerare Python le applicazioni in esecuzione su GPU NVIDIA.
• Crea, compila e avvia kernel CUDA personalizzati.
• Gestire la memoria della 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 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.

This course covers how to program GPUs for parallel computing. Some of the applications include deep learning, analytics, and engineering applications.

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 questa formazione, i partecipanti saranno in grado di:

• Configura 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.
• Usa il linguaggio CUDA C/C++ per scrivere kernel che vengono eseguiti su GPU e manipolano i dati.
• Utilizzare le funzioni, le variabili e le librerie predefinite di CUDA per eseguire attività e operazioni comuni.
• Utilizzare gli spazi di memoria CUDA, ad esempio globale, condivisa, 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 l'unione dei dati, la memorizzazione nella cache, il prefetching e la 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 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 (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare framework diversi per la programmazione GPU e confrontarne le funzionalità, le prestazioni e la compatibilità.

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

• Configura un ambiente di sviluppo che includa OpenCL SDK, CUDA Toolkit, ROCm Platform, un dispositivo che supporti OpenCL, CUDA o ROCm e Visual Studio Code.
• Creare un programma di base GPU che esegua l'addizione vettoriale utilizzando OpenCL, CUDA e ROCm e confrontare la sintassi, la struttura e l'esecuzione di ciascun framework.
• Utilizza le rispettive API 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 linguaggi per scrivere kernel che vengono eseguiti sul dispositivo e manipolano i dati.
• Utilizzare le rispettive funzioni, variabili e librerie predefinite per eseguire attività e operazioni comuni.
• 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 per controllare i thread, i blocchi e le griglie che definiscono 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 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.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano creare modelli di rilevamento e tracciamento degli oggetti con accelerazione hardware per analizzare i dati video in streaming.

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

• Installare e configurare l'ambiente di sviluppo, il software e le librerie necessari per iniziare a sviluppare.
• Crea, addestra e distribuisci modelli di deep learning per analizzare i feed video in diretta.
• Identifica, traccia, segmenta e prevedi diversi oggetti all'interno dei fotogrammi video.
• Ottimizza i modelli di rilevamento e tracciamento degli oggetti.
• Distribuisci un'applicazione di analisi video intelligente (IVA).