GPU Formazione in Italia

Huawei Ascend è una famiglia di processori dedicati all’intelligenza artificiale, progettata per eseguire in modo efficace sia inferenze che addestramenti di modelli.

Questo corso pratico e guidato da istruttore (in modalità online o presenziale) si rivolge a ingegneri AI e scienziati dei dati di livello intermedio che desiderano sviluppare ed ottimizzare modelli neurali utilizzando la piattaforma Ascend di Huawei e il toolkit CANN.

Al termine del corso, i partecipanti saranno in grado di:

• Configurare correttamente l’ambiente di sviluppo CANN.
• Creare applicazioni AI impiegando i flussi di lavoro forniti da MindSpore e CloudMatrix.
• Migliorare le prestazioni sui processori NPU Ascend mediante l’utilizzo di operatori personalizzati e tecniche di tiling.
• Distribuire i modelli sviluppati in ambienti edge o cloud.

Modalità del corso

• Lezioni interattive e discussioni guidate.
• Esercitazioni pratiche sull’utilizzo di Huawei Ascend e del toolkit CANN all’interno di applicazioni reali.
• Attività strutturate incentrate sulla creazione, addestramento e distribuzione dei modelli.

Opzioni di personalizzazione del corso

• Per richiedere una formazione su misura in base alla vostra infrastruttura o ai vostri set di dati, vi invitiamo a contattarci per concordare i dettagli.

Lo stack AI di Huawei, che va dal SDK a basso livello CANN fino al framework ad alto livello MindSpore, offre un ambiente coeso per lo sviluppo e la distribuzione di soluzioni AI ottimizzato per l’hardware Ascend.

Questo corso formativo dal vivo, tenuto da istruttori (in modalità online o in presenza), si rivolge a professionisti tecnici alle prime armi o con competenze intermedie, desiderosi di comprendere il modo in cui i componenti CANN e MindSpore collaborano per gestire il ciclo di vita dell’intelligenza artificiale e orientare le scelte infrastrutturali.

Alla fine del corso, i partecipanti saranno in grado di:

• Comprendere l’architettura a livelli dello stack di calcolo AI di Huawei.
• Individuare come CANN contribuisca all’ottimizzazione dei modelli e alla loro distribuzione a livello hardware.
• Valutare il framework MindSpore e i relativi strumenti rispetto alle alternative disponibili sul mercato.
• Posizionare lo stack AI di Huawei negli ambienti aziendali, cloud o on-premise.

Formato del corso

• Lezioni interattive e dibattiti guidati.
• Demo in tempo reale dei sistemi e analisi di casi pratici.
• Laboratori opzionali per sperimentare il flusso dei modelli da MindSpore a CANN.

Opzioni di personalizzazione del corso

• Per richiedere un percorso formativo su misura, contattaci direttamente per concordare i dettagli.

Questo corso formativo dal vivo, tenuto da un istruttore in Italia (online o in sede), è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare OpenACC per programmare dispositivi eterogenei ed sfruttarne il parallelismo.

Al termine del corso, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo OpenACC.
• Scrivere ed eseguire un programma base in OpenACC.
• Aggiungere al codice direttive e clausole OpenACC.
• Utilizzare l’API e le librerie fornite da OpenACC.
• Profilare, depurare ed ottimizzare i programmi scritti in OpenACC.

Il CANN SDK (Compute Architecture for Neural Networks) offre strumenti avanzati per la distribuzione e l’ottimizzazione di applicazioni AI in tempo reale nel campo della visione artificiale e dell’elaborazione del linguaggio naturale, in particolare su hardware Huawei Ascend.

Questo corso formativo, tenuto da istruttori (in modalità online o in presenza), si rivolge a professionisti di livello intermedio nel settore dell’AI che desiderano creare, distribuire e ottimizzare modelli visivi e linguistici tramite il CANN SDK per applicazioni produttive.

Al termine del corso i partecipanti saranno in grado di:

• Distribuire e ottimizzare modelli di visione artificiale ed elaborazione del linguaggio naturale utilizzando CANN e AscendCL.
• Utilizzare gli strumenti forniti da CANN per convertire i modelli e integrarli in pipeline operative in tempo reale.
• Ottimizzare le prestazioni di inferenza per compiti come il rilevamento di oggetti, la classificazione e l’analisi del sentiment.
• Progettare pipeline di visione artificiale o elaborazione del linguaggio naturale adatte a implementazioni su edge o nel cloud.

Modalità del corso

• Lezioni interattive ed esempi pratici guidati.
• Laboratori pratici dedicati alla distribuzione dei modelli e all’analisi delle prestazioni.
• Progettazione di pipeline reali basate su casi d’uso concreti di visione artificiale ed elaborazione del linguaggio naturale.

Opzioni di personalizzazione del corso

• Per richiedere un percorso formativo su misura, vi preghiamo di contattarci per concordare i dettagli.

Questo corso pratico, tenuto da un istruttore in Italia (online o in presenza), si rivolge a sviluppatori di livello principiante e intermedio che desiderano imparare le basi della programmazione su GPU nonché i framework e gli strumenti più importanti per la sua realizzazione.

• Al termine del corso, i partecipanti saranno in grado di:
  Comprendere le differenze tra l’elaborazione effettuata da CPU e GPU nonché i vantaggi e le difficoltà legati alla programmazione su GPU.
• Scegliere il framework e lo strumento più adatti per la propria applicazione.
• Creare un programma di base che esegua l’addizione di vettori utilizzando uno o più dei framework menzionati.
• Utilizzare le rispettive API, linguaggi e librerie per recuperare informazioni sul dispositivo, allocare e deallocare memoria, trasferire dati tra host e dispositivo, avviare kernel e sincronizzare i thread.
• Sfruttare gli spazi di memoria diversificati – globale, locale, costante e privata – per ottimizzare il flusso dei dati e l’accesso alla memoria.
• Controllare il livello di parallelismo attraverso modelli esecutivi come work-items, work-groups, thread, block e grid.
• Eseguire il debug e i test delle applicazioni GPU mediante strumenti quali CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Ottimizzare le prestazioni dei programmi utilizzando tecniche come la coalescenza, la cache, il prefetching e l’analisi delle prestazioni.

CANN TIK (Tensor Instruction Kernel) e Apache TVM consentono un’ottimizzazione avanzata e una personalizzazione degli operatori dei modelli AI per l’hardware Huawei Ascend.

Questo corso formativo in diretta, tenuto da istruttori (in modalità online o in presenza), è rivolto a sviluppatori di sistema esperti che desiderano creare, distribuire e ottimizzare operatori personalizzati per modelli AI utilizzando il modello di programmazione TIK offerto da CANN e l’integrazione con il compilatore TVM.

Alla fine del corso, i partecipanti saranno in grado di:

• Scrivere e testare operatori AI personalizzati utilizzando il linguaggio DSL TIK per processori Ascend.
• Integrare gli operatori creati nel runtime CANN e nel grafo di esecuzione.
• Utilizzare TVM per la pianificazione, l’auto-ottimizzazione e il benchmarking degli operatori.
• Diagnosticare e ottimizzare le prestazioni a livello di istruzioni per schemi computazionali personalizzati.

Modalità del corso

• Lezioni interattive ed esempi pratici.
• Sviluppo diretto di operatori con l’ausilio delle pipeline TIK e TVM.
• Test e ottimizzazione effettuati su hardware Ascend o tramite simulatori.

Opzioni di personalizzazione del corso

• Per richiedere un programma formativo su misura, contattateci per concordare i dettagli.

Questo corso formativo guidato da istruttori in Italia (online o presso la sede del cliente) si rivolge a sviluppatori di livello principiante/intermedio che intendono impiegare diversi framework per la programmazione su GPU, confrontandone le peculiarità, il rendimento e la compatibilità.

Al termine del percorso formativo i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo comprendente l'SDK OpenCL, il Toolkit CUDA, la piattaforma ROCm, un dispositivo compatibile con OpenCL, CUDA o ROCm e Visual Studio Code.
• Creare un programma di base per GPU in grado di eseguire l'addizione vettoriale mediante OpenCL, CUDA e ROCm; successivamente potranno confrontarne la sintassi, la struttura e il funzionamento.
• Utilizzare le rispettive API per interrogare le informazioni sul dispositivo, allocare o deallocare memoria, trasferire dati tra host e dispositivo, avviare i kernel e sincronizzare i thread.
• Scrivere in modo corretto i kernel da eseguire sul dispositivo usando i rispettivi linguaggi di programmazione.
• Impiegare le funzioni, le variabili e le librerie integrate per svolgere operazioni comuni nel contesto della programmazione su GPU.
• Utilizzare i diversi spazi di memoria (globale, locale, costante, privato) al fine di ottimizzare il trasferimento e l'accesso ai dati.
• Controllare tramite i rispettivi modelli di esecuzione il comportamento dei thread, dei blocchi e delle griglie che definiscono il parallelismo.
• Eseguire operazioni di debug e test sui programmi sviluppati impiegando strumenti come CodeXL, CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Ottimizzare i programmi utilizzando tecniche quali la coesione dei dati in memoria, il caching, il prefetching e l'analisi delle prestazioni.

CloudMatrix è la piattaforma unificata di Huawei per lo sviluppo e la distribuzione di intelligenza artificiale, progettata per supportare flussi di lavoro di inferenza scalabili adatti alla produzione.

Questo corso pratico, tenuto da istruttori (in modalità online o in loco), si rivolge a professionisti del settore AI con competenze base o intermedie che desiderano distribuire e monitorare modelli AI utilizzando la piattaforma CloudMatrix in combinazione con CANN e MindSpore.

Al termine del corso, i partecipanti saranno in grado di:

• Utilizzare CloudMatrix per il packaging, la distribuzione e l’erogazione dei modelli AI.
• Convertire e ottimizzare i modelli affinché siano compatibili con le schede Ascend.
• Configurare flussi di lavoro sia per l’inferenza in tempo reale che per quella batch.
• Monitorare le distribuzioni e ottimizzarne le prestazioni negli ambienti produttivi.

Formato del corso

• Lezioni interattive accompagnate da discussioni.
• Esercitazioni pratiche sull’utilizzo di CloudMatrix in scenari reali di distribuzione.
• Attività guidate incentrate sulla conversione, l’ottimizzazione e la scalabilità dei modelli.

Opzioni di personalizzazione del corso

• Per richiedere una formazione su misura in base alla vostra infrastruttura AI o all’ambiente cloud, contattateci per organizzare il corso.

Il toolkit Ascend CANN di Huawei consente un’inferenza AI estremamente performante su dispositivi edge come l’Ascend 310. CANN mette a disposizione strumenti fondamentali per compilare, ottimizzare e distribuire modelli anche in ambienti caratterizzati da limitate risorse computazionali e di memoria.

Questo corso formativo dal vivo, guidato da istruttori (online o in sede), è rivolto a sviluppatori e integratori AI di livello intermedio che desiderano implementare ed ottimizzare modelli su dispositivi edge Ascend utilizzando la catena degli strumenti CANN.

Al termine del corso, i partecipanti saranno in grado di:

• Preparare e convertire modelli AI per l’Ascend 310 tramite gli strumenti CANN.
• Creare pipeline di inferenza leggere utilizzando MindSpore Lite e AscendCL.
• Ottimizzare le prestazioni dei modelli in ambienti con risorse computazionali e di memoria limitate.
• Distribuire e monitorare applicazioni AI in contesti reali su dispositivi edge.

Modalità del corso

• Lezioni interattive e dimostrazioni pratiche.
• Esercitazioni pratiche con modelli ed scenari tipici per ambienti edge.
• Esempi di distribuzione in tempo reale su hardware edge virtuale o fisico.

Opzioni di personalizzazione del corso

• Per richiedere una formazione personalizzata su questo argomento, contattaci per concordare i dettagli.

Questo corso pratico, tenuto da un istruttore e svolgibile Italia (online o in presenza), si rivolge a sviluppatori principianti e intermedi che desiderano installare e utilizzare ROCm su Windows per programmare le GPU AMD ed esplorarne il potenziale parallelo.

Al termine del corso, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa la piattaforma ROCm, una GPU AMD e Visual Studio Code su Windows.
• Scrivere un programma base con ROCm capace di eseguire l’addizione vettoriale sulla GPU e recuperare i risultati dalla memoria della stessa.
• Utilizzare l’API di ROCm per interrogare le informazioni sul dispositivo, allocare e deallocare la memoria, copiare dati tra host e device, lanciare kernel e sincronizzare i thread.
• Scrivere kernel che vengono eseguiti sulla GPU e manipolano i dati utilizzando il linguaggio HIP.
• Impiegare le funzioni integrate, le variabili e le librerie offerte da HIP per eseguire operazioni comuni.
• Sfruttare gli spazi di memoria forniti da ROCm e HIP – globale, condiviso, costante e locale – al fine di ottimizzare il trasferimento dei dati e l’accesso alla memoria.
• Gestire i thread, i blocchi e le griglie che definiscono la parallelizzazione, impiegando i modelli di esecuzione offerti da ROCm e HIP.
• Depurare e testare programmi scritti con ROCm e HIP utilizzando strumenti come il Debugger e il Profiler di ROCm.
• Ottimizzare tali programmi adottando tecniche quali la coalescenza, la memorizzazione temporanea, il prefetching e l’analisi delle prestazioni.

Questo corso pratico, tenuto da un istruttore in Italia (online o presso la sede), è indirizzato a sviluppatori con competenze di livello base e intermedio interessati ad utilizzare ROCm e HIP per programmare le GPU AMD sfruttandone appieno il parallelismo.

Al termine del corso i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo comprendente la piattaforma ROCm, una GPU AMD e Visual Studio Code.
• Scrivere un programma ROCm semplice in grado di eseguire l’addizione di vettori sulla GPU e di recuperare i risultati dalla sua memoria.
• Utilizzare l’API di ROCm per interrogare le caratteristiche del dispositivo, allocare e liberare la memoria, trasferire dati tra CPU e GPU, lanciare i kernel e sincronizzare i thread.
• Scrivere, utilizzando il linguaggio HIP, dei kernel in grado di eseguirsi sulla GPU e manipolare i dati.
• Impiegare le funzioni predefinite, le variabili e le librerie offerte da HIP per svolgere operazioni comuni.
• Sfruttare gli spazi di memoria messi a disposizione da ROCm e HIP – come quelli globale, condiviso, costante e locale – al fine di ottimizzare i trasferimenti dei dati e l’accesso alla memoria.
• Controllare, tramite i modelli esecutivi di ROCm e HIP, la gestione dei thread, dei blocchi e delle griglie che determinano il livello di parallelizzazione.
• Debuggare e testare i programmi scritti con ROCm e HIP servendosi di strumenti quali il Debugger di ROCm e il Profiler di ROCm.
• Ottimizzare tali programmi adottando tecniche come la coalescenza, il caching, il prefetching e l’analisi delle prestazioni.

CANN (Compute Architecture for Neural Networks) è il toolkit di computing AI di Huawei, utilizzato per compilare, ottimizzare e distribuire modelli AI sui processori AI Ascend.

Questo corso formativo guidato da un istruttore (sia online che in presenza) si rivolge a sviluppatori AI alle prime armi che desiderano comprendere come CANN si inserisce nel ciclo di vita dei modelli, dalla fase di addestramento alla distribuzione, e come interagisce con framework come MindSpore, TensorFlow e PyTorch.

Al termine del corso i partecipanti saranno in grado di:

• Comprendere lo scopo e l’architettura del toolkit CANN.
• Configurare un ambiente di sviluppo con CANN e MindSpore.
• Convertire e distribuire un modello AI semplice sull’hardware Ascend.
• Acquisire le basi necessarie per futuri progetti di ottimizzazione o integrazione con CANN.

Modalità del corso

• Lezioni interattive e dibattiti.
• Esercitazioni pratiche sulla distribuzione di modelli semplici.
• Spiegazione passo dopo passo della catena degli strumenti CANN e dei punti di integrazione.

Opzioni di personalizzazione del corso

• Per richiedere un corso su misura, vi invitiamo a contattarci per concordare i dettagli.

Ascend, Biren e Cambricon sono piattaforme hardware per l’intelligenza artificiale all’avanguardia in Cina; ognuna offre strumenti specifici di accelerazione e profilazione per carichi di lavoro su larga scala.

Questo corso pratico, tenuto da istruttori (in modalità online o in presenza), si rivolge a ingegneri esperti nell’ambito dell’infrastruttura AI e delle prestazioni, desiderosi di ottimizzare i flussi di lavoro legati all’inferenza e all’addestramento su più piattaforme hardware cinesi per l’AI.

Al termine del corso, i partecipanti saranno in grado di:

• Eseguire il benchmark dei modelli sulle piattaforme Ascend, Biren e Cambricon.
• Rilevare eventuali colli di bottiglia del sistema, nonché inefficienze a livello di memoria o calcolo.
• Applicare ottimizzazioni sia a livello di grafo computazionale, sia a livello di kernel e operatori.
• Regolare i pipeline di deployment per migliorare la velocità di esecuzione e ridurre la latenza.

Struttura del corso

• Lezioni interattive ed approfondite discussioni.
• Utilizzo pratico degli strumenti di profilazione e ottimizzazione su ciascuna piattaforma.
• Esercitazioni guidate focalizzate su scenari concreti di ottimizzazione.

Opzioni di personalizzazione del corso

• Qualora si desideri un percorso formativo ad hoc in base all’ambiente di esecuzione o al tipo di modello utilizzato, contattateci per concordare i dettagli.

L’SDK CANN (Compute Architecture for Neural Networks) rappresenta la base computazionale per l’intelligenza artificiale sviluppata da Huawei, consentendo agli sviluppatori di regolare e ottimizzare le prestazioni delle reti neurali già implementate sui processori AI Ascend.

Questo corso formativo guidato da istruttore (in modalità online o in presenza) si rivolge a sviluppatori di intelligenza artificiale ed ingegneri di sistema esperti, desiderosi di migliorare le prestazioni dell’inferenza sfruttando gli strumenti avanzati offerti da CANN, tra cui il Graph Engine, TIK e lo sviluppo personalizzato di operatori.

Al termine del corso i partecipanti saranno in grado di:

• Comprendere l’architettura runtime di CANN e il ciclo di vita delle prestazioni del sistema.
• Utilizzare gli strumenti di profilazione e il Graph Engine per analisi ed ottimizzazione delle performance.
• Creare e ottimizzare operatori personalizzati tramite TIK e TVM.
• Risolvere i problemi legati ai colli di bottiglia di memoria e aumentare il throughput dei modelli.

Formato del corso

• Lezioni interattive e discussioni guidate.
• Esercitazioni pratiche con analisi in tempo reale delle performance e ottimizzazione degli operatori.
• Attività di ottimizzazione basate su esempi concreti di implementazioni in contesti particolari.

Opzioni di personalizzazione del corso

• Per richiedere un corso su misura, contattateci per concordare i dettagli.

Le architetture GPU cinesi come Huawei Ascend, Biren e Cambricon MLU offrono alternative a CUDA pensate appositamente per i mercati locali dell’intelligenza artificiale e del calcolo ad alte prestazioni.

Questo corso di formazione dal vivo, con la guida di un istruttore (online o in presenza), si rivolge a programmatori GPU esperti e specialisti di infrastrutture desiderosi di migrare ed ottimizzare le proprie applicazioni CUDA per l’utilizzo su piattaforme hardware cinesi.

Al termine del corso, i partecipanti saranno in grado di:

• Valutare la compatibilità dei propri workload CUDA con le alternative basate su chip cinesi.
• Portare i progetti software scritti in CUDA negli ambienti Huawei CANN, Biren SDK e Cambricon BANGPy.
• Confrontare le prestazioni ottenute e individuare i punti su cui intervenire per ottimizzarle tra le varie piattaforme.
• Risolvere eventuali problemi pratici legati alla compatibilità tra architetture diverse e all’implementazione effettiva.

Formato del corso

• Lezioni interattive con discussioni guidate.
• Esercitazioni pratiche incentrate sulla traduzione di codice e sul confronto delle prestazioni.
• Attività strutturate finalizzate all’adattamento dei programmi a configurazioni multi-GPU.

Opzioni di personalizzazione del corso

• Per richiedere un percorso formativo personalizzato in base alla vostra piattaforma o al progetto CUDA, contattateci direttamente.

Questo corso pratico, tenuto da un istruttore in Italia (online o in presenza), è pensato per sviluppatori principianti e intermedi che intendono utilizzare CUDA per programmare le GPU NVIDIA e valorizzarne il parallelismo.

Al termine del corso, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa il CUDA Toolkit, una GPU NVIDIA e Visual Studio Code.
• Scrivere un programma CUDA di base per eseguire l'addizione tra vettori sulla GPU e recuperarne i risultati dalla memoria della GPU.
• Utilizzare l'API CUDA per ottenere informazioni sul dispositivo, allocare e liberare memoria, trasferire dati tra host e device, avviare kernel e sincronizzare i thread.
• Scrivere in linguaggio CUDA C/C++ i kernel da eseguire sulla GPU e manipolare i dati corrispondenti.
• Impiegare le funzioni predefinite, le variabili e le librerie di CUDA per compiere operazioni comuni.
• Sfruttare gli spazi di memoria forniti da CUDA – globale, condivisa, costante e locale – al fine di ottimizzare i trasferimenti di dati e l'accesso alla memoria.
• Gestire il modello di esecuzione di CUDA per controllare thread, blocchi e griglie che determinano la parallelizzazione dei calcoli.
• Effettuare il debug e i test dei programmi CUDA con strumenti come CUDA-GDB, CUDA-MEMCHECK e NVIDIA Nsight.
• Ottimizzare i programmi CUDA attraverso tecniche quali la coalescing, la gestione del caching, il prefetching e l'analisi delle prestazioni tramite profiler.

Il 97% dei clienti si dichiara soddisfatto. 

CANN (Compute Architecture for Neural Networks) è la piattaforma informatica per l’intelligenza artificiale sviluppata da Huawei, finalizzata alla distribuzione e all’ottimizzazione di modelli AI sui processori Ascend.

Questo corso formativo in diretta, tenuto da istruttori (sia online che in sede), si rivolge a sviluppatori ed ingegneri di livello intermedio interessati a distribuire in modo efficiente modelli AI addestrati sull’hardware Ascend di Huawei, utilizzando lo strumento CANN e framework come MindSpore, TensorFlow o PyTorch.

Al termine del corso i partecipanti saranno in grado di:

• Comprendere l’architettura di CANN e il suo ruolo nel processo di distribuzione dei modelli AI.
• Convertire e adattare modelli provenienti da framework popolari in formati compatibili con Ascend.
• Utilizzare strumenti come ATC, il convertitore di modelli OM e MindSpore per l’inferenza su dispositivi edge e nel cloud.
• Individuare e risolvere problemi legati alla distribuzione nonché ottimizzare le prestazioni sull’hardware Ascend.

Struttura del corso

• Lezioni interattive e dimostrazioni pratiche.
• Esercitazioni guidate con l’ausilio degli strumenti CANN, dei simulatori Ascend o di dispositivi fisici.
• Scenario reali di distribuzione basati su modelli AI concreti.

Opzioni di personalizzazione del corso

• Per richiedere una sessione formativa personalizzata, contattateci per concordare i dettagli.

Gli acceleratori AI di Biren sono GPU ad alte prestazioni progettate per carichi di lavoro legati all'intelligenza artificiale e all'elaborazione ad alta performance, supportando sia la formazione che l'inferenza su larga scala.

Questo corso pratico tenuto da un istruttore (sia online che in sede) è rivolto a sviluppatori di livello intermedio e avanzato desiderosi di programmare ed ottimizzare applicazioni utilizzando il stack GPU proprietario di Biren, con confronti concreti rispetto agli ambienti basati su CUDA.

Alla fine del corso i partecipanti saranno in grado di:

• Comprendere l'architettura delle GPU Biren e la gerarchia della memoria.
• Configurare l'ambiente di sviluppo e utilizzare il modello di programmazione fornito da Biren.
• Tradotto e ottimizzato codice scritto in stile CUDA per piattaforme Biren.
• Applicare tecniche di regolazione delle prestazioni e di debug.

Modalità del corso

• Lezioni interattive e dibattiti guidati.
• Utilizzo pratico dello SDK Biren su esempi concreti di carichi di lavoro GPU.
• Esercizi guidati volti al porting e alla regolazione delle prestazioni.

Opzioni di personalizzazione del corso

• Per richiedere un percorso formativo su misura in base alle proprie esigenze di integrazione o allo stack applicativo, non esitate a contattarci.

Gli MLU (Machine Learning Units) di Cambricon sono chip AI specializzati, ottimizzati per l’inferenza e l’addestramento in contesti di edge computing e data center.

Questo corso pratico tenuto da istruttori (in modalità online o presso la vostra sede) è rivolto a sviluppatori di livello intermedio che desiderano creare e distribuire modelli AI utilizzando il framework BANGPy e lo SDK Neuware su hardware Cambricon MLU.

Al termine del corso, i partecipanti saranno in grado di:

• Configurare correttamente gli ambienti di sviluppo BANGPy e Neuware.
• Sviluppare ed ottimizzare modelli basati su Python e C++ per l’utilizzo sugli MLU di Cambricon.
• Distribuire i modelli su dispositivi edge e data center dotati del runtime Neuware.
• Integrare flussi di lavoro legati al machine learning con le funzionalità di accelerazione specifiche degli MLU.

Formato del corso

• Lezioni interattive e dibattiti guidati.
• Esercitazioni pratiche sull’utilizzo di BANGPy e Neuware per sviluppare e distribuire modelli.
• Attività strutturate mirate all’ottimizzazione, all’integrazione e ai test dei modelli.

Opzioni di personalizzazione del corso

• Per richiedere una formazione su misura in base al modello di dispositivo Cambricon o al caso d’uso specifico, contattateci per concordare i dettagli.

Questo corso di formazione dal vivo, tenuto da istruttori Italia (in modalità online o in sede), si rivolge agli amministratori di sistema e ai professionisti IT alle prime armi che desiderano installare, configurare, gestire e risolvere eventuali problemi negli ambienti CUDA.

Al termine del corso, i partecipanti saranno in grado di:

• Comprendere l’architettura, i componenti e le capacità di CUDA.
• Installare e configurare gli ambienti CUDA.
• Gestione e ottimizzazione delle risorse CUDA.
• Rilevare ed eliminare i problemi più comuni legati a CUDA.

Questo corso in diretta tenuto da istruttore Italia (online o in sede) è rivolto a sviluppatori di livello base e intermedio che desiderano utilizzare OpenCL per programmare dispositivi eterogenei e sfruttarne il parallelismo.

Al termine del corso, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che includa l’SDK OpenCL, un dispositivo compatibile con OpenCL e Visual Studio Code.
• Creare un programma OpenCL di base in grado di effettuare addizioni vettoriali sul dispositivo e recuperare i risultati dalla memoria del medesimo.
• Utilizzare l’API OpenCL per interrogare le informazioni sui dispositivi, creare contesti, code di comando, buffer, kernel ed eventi.
• Scrivere in linguaggio OpenCL C i kernel da eseguire sul dispositivo e manipolare i dati tramite essi.
• Impiegare le funzioni integrate, le estensioni e le librerie di OpenCL per eseguire operazioni comuni.
• Sfruttare i modelli di memoria host e dispositivo forniti da OpenCL al fine di ottimizzare il trasferimento dei dati e l’accesso alla memoria.
• Gestire il modello esecutivo di OpenCL per controllare gli elementi di lavoro, i gruppi di lavoro e gli intervalli ND.
• Eseguire il debug e i test dei programmi OpenCL tramite strumenti come CodeXL, Intel VTune e NVIDIA Nsight.
• Ottimizzare i programmi OpenCL impiegando tecniche quali la vettorizzazione, lo srotolamento dei cicli, l’utilizzo della memoria locale e l’analisi delle prestazioni.

Questo corso pratico, tenuto da istruttori in Italia (in modalità online o in presenza), si rivolge a sviluppatori C++ che vogliono impiegare CUDA per accelerare le proprie applicazioni, realizzare kernel GPU ad alte prestazioni e sfruttare librerie di algoritmi paralleli nel calcolo scientifico, nell’elaborazione dati e nella creazione di modelli di machine learning.

Questa formazione in diretta tenuta da istruttori in Italia (online o in presenza) è destinata agli sviluppatori C\/C++ desiderosi di utilizzare CUDA per accelerare applicazioni ad alta intensità computazionale, come il trattamento dei dati, le simulazioni scientifiche, i carichi di lavoro del machine learning e i processi di elaborazione delle immagini.

Questo corso pratico tenuto da istruttori in Italia (online o in presenza) si rivolge a sviluppatori software, analisti dati e professionisti tecnici che vogliono utilizzare TensorFlow 2.x e Keras per creare, addestrare e distribuire modelli di deep learning finalizzati alla visione artificiale, all'elaborazione del linguaggio naturale e ad applicazioni multimediali.

Questo corso formativo guidato da istruttori tenuto a Italia spiega come programmare le GPU per il calcolo parallelo, come utilizzare diverse piattaforme, come lavorare con la piattaforma CUDA e le sue funzionalità, nonché come applicare varie tecniche di ottimizzazione tramite CUDA. Tra le applicazioni tipiche vi sono l’apprendimento profondo, l’analisi dei dati, l’elaborazione delle immagini e le applicazioni ingegneristiche.