GPU Formazione in Torino

Questo corso formativo dal vivo, tenuto da un istruttore in Torino (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.

Questo corso pratico, tenuto da un istruttore in Torino (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.

Questo corso formativo guidato da istruttori in Torino (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.

Questo corso pratico, tenuto da un istruttore e svolgibile Torino (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 Torino (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.

Questo corso pratico, tenuto da un istruttore in Torino (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. 

Questo corso di formazione dal vivo, tenuto da istruttori Torino (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 Torino (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 Torino (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 Torino (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 Torino (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 Torino 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.