GPU Training in Moldova

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător și intermediar care doresc să utilizeze OpenACC pentru a programa dispozitive eterogene și a exploata paralelismul acestora.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Să configureze un mediu de dezvoltare care include OpenACC SDK, un dispozitiv care suportă OpenACC și Visual Studio Cod.
• Să creeze un program OpenACC de bază care efectuează adunarea vectorială pe dispozitiv și recuperează rezultatele din memoria dispozitivului.
• Utilizați directivele și clauzele OpenACC pentru a adnota codul și pentru a specifica regiunile paralele, mișcarea datelor și opțiunile de optimizare.
• Utilizați API OpenACC pentru a interoga informații despre dispozitiv, a seta numărul dispozitivului, a gestiona erorile și a sincroniza evenimentele.
• Utilizați bibliotecile OpenACC și caracteristicile de interoperabilitate pentru a integra OpenACC cu alte modele de programare, cum ar fi CUDA, OpenMP și MPI.
• Utilizați instrumentele OpenACC pentru a realiza profilul și depanarea programelor OpenACC și pentru a identifica blocajele și oportunitățile de performanță.
• Optimizarea programelor OpenACC utilizând tehnici precum localitatea datelor, fuziunea buclelor, fuziunea nucleului și auto-tuning.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător și intermediar care doresc să învețe elementele de bază ale programării GPU și principalele cadre și instrumente pentru dezvoltarea de aplicații GPU.

• La finalul acestui curs de formare, participanții vor fi capabili să:
  Să înțeleagă diferența dintre calculul cu procesor și calculul GPU, precum și beneficiile și provocările programării GPU.
• Să aleagă cadrul și instrumentul potrivit pentru aplicația lor GPU.
• Să creeze un program GPU de bază care efectuează adunarea vectorială folosind unul sau mai multe dintre cadrele și instrumentele prezentate.
• Să utilizeze API-urile, limbajele și bibliotecile respective pentru a interoga informații despre dispozitiv, pentru a aloca și a dezaloca memoria dispozitivului, pentru a copia date între gazdă și dispozitiv, pentru a lansa nuclee și pentru a sincroniza fire de execuție.
• Utilizați spațiile de memorie respective, cum ar fi cele globale, locale, constante și private, pentru a optimiza transferurile de date și accesările de memorie.
• Utilizați modelele de execuție respective, cum ar fi work-items, work-groups, fire, blocuri și grile, pentru a controla paralelismul.
• Depanarea și testarea programelor GPU cu ajutorul unor instrumente precum CodeXL, CUDA-GDB, CUDA-MEMCHECK și NVIDIA Nsight.
• Optimizarea programelor GPU utilizând tehnici precum coalescența, caching, prefetching și profilarea.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător și intermediar care doresc să utilizeze diferite cadre de lucru pentru programare GPU și să compare caracteristicile, performanța și compatibilitatea acestora.

La sfârșitul acestui curs de formare, participanții vor putea să:

• Să configureze un mediu de dezvoltare care include OpenCL SDK, CUDA Toolkit, platforma ROCm, un dispozitiv care acceptă OpenCL, CUDA sau ROCm și Visual Studio Cod.
• Să creeze un program de bază GPU care efectuează adunarea vectorială utilizând OpenCL, CUDA și ROCm și să compare sintaxa, structura și execuția fiecărui cadru.
• Utilizați API-urile respective pentru a interoga informații despre dispozitiv, pentru a aloca și a dezaloca memoria dispozitivului, pentru a copia date între gazdă și dispozitiv, pentru a lansa nuclee și pentru a sincroniza fire de execuție.
• Utilizați limbajele respective pentru a scrie nuclee care se execută pe dispozitiv și manipulează date.
• Să utilizeze funcțiile, variabilele și bibliotecile încorporate respective pentru a efectua sarcini și operații comune.
• Utilizați spațiile de memorie respective, cum ar fi cele globale, locale, constante și private, pentru a optimiza transferurile de date și accesările de memorie.
• Utilizați modelele de execuție respective pentru a controla firele, blocurile și grilele care definesc paralelismul.
• Depanarea și testarea programelor GPU cu ajutorul unor instrumente precum CodeXL, CUDA-GDB, CUDA-MEMCHECK și NVIDIA Nsight.
• Optimizarea programelor GPU utilizând tehnici precum coalescența, caching, prefetching și profilarea.

CloudMatrix este platforma unificată de dezvoltare și implementare AI a lui Huawei, concepută pentru a susține canalele de inferență la scară produs.

Acest training în direct (online sau presencial) se adresează profesionistilor AI cu niveluri de începător până la intermediar care doresc să implementeze și să monitorizeze modelele AI folosind platforma CloudMatrix cu integrarea CANN și MindSpore.

La sfârșitul acestui training, participanții vor putea:

• Să utilizeze CloudMatrix pentru ambalarea, implementarea și servirea modelelor.
• Să convertesc și optimizăm modelele pentru chipseturile Ascend.
• Să configureze canale pentru sarcinile de inferență în timp real și în loturi.
• Să monitorizeze implementările și să tuneze performanța în setările de producție.

Format al cursului

• Lecții interactive și discuții.
• Utilizarea practică a lui CloudMatrix cu scenarii reale de implementare.
• Exerciții guiți care se concentrează pe conversie, optimizare și scalare.

Opțiuni pentru personalizarea cursului

• Pentru a solicita un training personalizat bazat pe infrastructura AI sau mediul cloud al dumneavoastră, vă rugăm să ne contactați pentru a organiza acest lucru.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător și intermediar care doresc să instaleze și să utilizeze ROCm pe Windows pentru a programa AMD GPUs și a exploata paralelismul acestora.

La sfârșitul acestui curs de instruire, participanții vor fi capabili să:

• Să configureze un mediu de dezvoltare care include platforma ROCm, un AMD GPU și un cod Visual Studio pe Windows.
• Să creeze un program ROCm de bază care să efectueze adunarea vectorială pe GPU și să recupereze rezultatele din memoria GPU.
• Utilizați API ROCm pentru a interoga informații despre dispozitiv, pentru a aloca și a dezaloca memoria dispozitivului, pentru a copia date între gazdă și dispozitiv, pentru a lansa nuclee și pentru a sincroniza fire de execuție.
• Utilizați limbajul HIP pentru a scrie nuclee care se execută pe GPU și manipulează date.
• Utilizați funcțiile, variabilele și bibliotecile integrate HIP pentru a efectua sarcini și operații comune.
• Utilizați spațiile de memorie ROCm și HIP, cum ar fi spațiile de memorie globală, partajată, constantă și locală, pentru a optimiza transferurile de date și accesările de memorie.
• Utilizarea modelelor de execuție ROCm și HIP pentru a controla firele, blocurile și grilele care definesc paralelismul.
• Depanarea și testarea programelor ROCm și HIP cu ajutorul unor instrumente precum ROCm Debugger și ROCm Profiler.
• Optimizarea programelor ROCm și HIP utilizând tehnici precum coalescența, caching, prefetching și profilarea.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător și intermediar care doresc să utilizeze ROCm și HIP pentru a programa AMD GPUs și a exploata paralelismul acestora.

La sfârșitul acestui curs de instruire, participanții vor fi capabili să:

• Să configureze un mediu de dezvoltare care include platforma ROCm, un AMD GPU și un cod Visual Studio.
• Să creeze un program ROCm de bază care să efectueze adunarea vectorială pe GPU și să recupereze rezultatele din memoria GPU.
• Utilizați API ROCm pentru a interoga informații despre dispozitiv, pentru a aloca și a dezaloca memoria dispozitivului, pentru a copia date între gazdă și dispozitiv, pentru a lansa nuclee și pentru a sincroniza fire de execuție.
• Utilizați limbajul HIP pentru a scrie nuclee care se execută pe GPU și manipulează date.
• Utilizați funcțiile, variabilele și bibliotecile integrate HIP pentru a efectua sarcini și operații comune.
• Utilizați spațiile de memorie ROCm și HIP, cum ar fi spațiile de memorie globală, partajată, constantă și locală, pentru a optimiza transferurile de date și accesările de memorie.
• Utilizarea modelelor de execuție ROCm și HIP pentru a controla firele, blocurile și grilele care definesc paralelismul.
• Depanarea și testarea programelor ROCm și HIP cu ajutorul unor instrumente precum ROCm Debugger și ROCm Profiler.
• Optimizarea programelor ROCm și HIP utilizând tehnici precum coalescența, caching, prefetching și profilarea.

Ascend, Biren, and Cambricon are leading AI hardware platforms in China, each offering unique acceleration and profiling tools for production-scale AI workloads.

This instructor-led, live training (online or onsite) is aimed at advanced-level AI infrastructure and performance engineers who wish to optimize model inference and training workflows across multiple Chinese AI chip platforms.

By the end of this training, participants will be able to:

• Benchmark models on Ascend, Biren, and Cambricon platforms.
• Identify system bottlenecks and memory/compute inefficiencies.
• Apply graph-level, kernel-level, and operator-level optimizations.
• Tune deployment pipelines to improve throughput and latency.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of profiling and optimization tools on each platform.
• Guided exercises focused on practical tuning scenarios.

Course Customization Options

• To request a customized training for this course based on your performance environment or model type, please contact us to arrange.

Chinese GPU architectures such as Huawei Ascend, Biren, and Cambricon MLUs offer CUDA alternatives tailored for local AI and HPC markets.

This instructor-led, live training (online or onsite) is aimed at advanced-level GPU programmers and infrastructure specialists who wish to migrate and optimize existing CUDA applications for deployment on Chinese hardware platforms.

By the end of this training, participants will be able to:

• Evaluate compatibility of existing CUDA workloads with Chinese chip alternatives.
• Port CUDA codebases to Huawei CANN, Biren SDK, and Cambricon BANGPy environments.
• Compare performance and identify optimization points across platforms.
• Address practical challenges in cross-architecture support and deployment.

Format of the Course

• Interactive lecture and discussion.
• Hands-on code translation and performance comparison labs.
• Guided exercises focused on multi-GPU adaptation strategies.

Course Customization Options

• To request a customized training for this course based on your platform or CUDA project, please contact us to arrange.

Această instruire live, condusă de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător până la mediu care doresc să utilizeze CUDA pentru a programa NVIDIA GPUs și a exploata paralelismul acestora.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Configurați un mediu de dezvoltare care include CUDA Toolkit, un NVIDIA GPU și Visual Studio Code.
• Să creeze un program CUDA de bază care efectuează adunarea vectorială pe GPU și recuperează rezultatele din memoria GPU.
• Utilizați API-ul CUDA pentru a interoga informații despre dispozitiv, a aloca și a dezaloca memoria dispozitivului, a copia date între gazdă și dispozitiv, a lansa nuclee și a sincroniza fire de execuție.
• Utilizați limbajul CUDA C/C++ pentru a scrie kernels care se execută pe GPU și manipulează date.
• Utilizați funcțiile încorporate, variabilele și bibliotecile CUDA pentru a efectua sarcini și operațiuni comune.
• Utilizați spațiile de memorie CUDA, cum ar fi cele globale, partajate, constante și locale, pentru a optimiza transferurile de date și accesările de memorie.
• Utilizați modelul de execuție CUDA pentru a controla firele, blocurile și grilele care definesc paralelismul.
• Depanarea și testarea programelor CUDA utilizând instrumente precum CUDA-GDB, CUDA-MEMCHECK și NVIDIA Nsight.
• Optimizarea programelor CUDA folosind tehnici precum coalescing, caching, prefetching și profiling.

97% de clienți mulțumiți.

Huawei Ascend este o familie de procesatoare IA concepute pentru inferență și antrenament cu performanță ridicată.

Acest training guiț la distanță sau pe locație, este destinat inginerilor AI intermediari și științificilor ai datelor care doresc să dezvolte și să optimizeze modele de rețele neuronale folosind platforma Ascend a Huawei și cai-tookitul CANN.

La sfârșitul acestui training, participanții vor putea:

• Să configureze mediul de dezvoltare CANN.
• Să dezvolte aplicații AI folosind MindSpore și fluxurile CloudMatrix.
• Să optimizze performanța pe Ascend NPU-uri folosind operatori personalizați și tiling.
• Să distribuie modelele în mediul la bord sau cloud.

Format al cursului

• Lecții interactive și discuții.
• Folosirea practică a lui Huawei Ascend și cai-tookitul CANN în aplicații de exemplu.
• Exerciții guițe concentrându-se pe construirea, antrenarea și distribuirea modelului.

Opțiuni de personalizare a cursului

• Pentru a solicita un training personalizat bazat pe infrastructura sau seturile de date ale dumneavoastră, vă rugăm să ne contactați pentru a organiza acest lucru.

Biren AI Accelerators are high-performance GPUs designed for AI and HPC workloads with support for large-scale training and inference.

This instructor-led, live training (online or onsite) is aimed at intermediate-level to advanced-level developers who wish to program and optimize applications using Biren’s proprietary GPU stack, with practical comparisons to CUDA-based environments.

By the end of this training, participants will be able to:

• Understand Biren GPU architecture and memory hierarchy.
• Set up the development environment and use Biren’s programming model.
• Translate and optimize CUDA-style code for Biren platforms.
• Apply performance tuning and debugging techniques.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of Biren SDK in sample GPU workloads.
• Guided exercises focused on porting and performance tuning.

Course Customization Options

• To request a customized training for this course based on your application stack or integration needs, please contact us to arrange.

Cambricon MLUs (Machine Learning Units) are specialized AI chips optimized for inference and training in edge and datacenter scenarios.

This instructor-led, live training (online or onsite) is aimed at intermediate-level developers who wish to build and deploy AI models using the BANGPy framework and Neuware SDK on Cambricon MLU hardware.

By the end of this training, participants will be able to:

• Set up and configure the BANGPy and Neuware development environments.
• Develop and optimize Python- and C++-based models for Cambricon MLUs.
• Deploy models to edge and data center devices running Neuware runtime.
• Integrate ML workflows with MLU-specific acceleration features.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of BANGPy and Neuware for development and deployment.
• Guided exercises focused on optimization, integration, and testing.

Course Customization Options

• To request a customized training for this course based on your Cambricon device model or use case, please contact us to arrange.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează administratorilor de sistem și profesioniștilor IT începători care doresc să instaleze, să configureze, să gestioneze și să depaneze mediile CUDA.

La sfârșitul acestui curs de formare, participanții vor putea să:

• Să înțeleagă arhitectura, componentele și capacitățile CUDA.
• Să instaleze și să configureze mediile CUDA.
• Să gestioneze și să optimizeze resursele CUDA.
• să depaneze și să rezolve problemele comune CUDA.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel începător și intermediar care doresc să utilizeze OpenCL pentru a programa dispozitive eterogene și a exploata paralelismul acestora.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Să configureze un mediu de dezvoltare care include OpenCL SDK, un dispozitiv care suportă OpenCL și Visual Studio Code.
• Să creeze un program de bază OpenCL care să efectueze adunarea vectorială pe dispozitiv și să recupereze rezultatele din memoria dispozitivului.
• Utilizați OpenCL API pentru a interoga informații despre dispozitiv, a crea contexte, cozi de comenzi, tampoane, nuclee și evenimente.
• Utilizarea limbajului OpenCL C pentru a scrie nuclee care se execută pe dispozitiv și manipulează date.
• Utilizarea OpenCL a funcțiilor încorporate, a extensiilor și a bibliotecilor pentru a efectua sarcini și operații comune.
• Să utilizeze OpenCL modelele de memorie ale gazdei și dispozitivului pentru a optimiza transferurile de date și accesările de memorie.
• Utilizați modelul de execuție OpenCL pentru a controla elementele de lucru, grupurile de lucru și domeniile ND.
• Depanarea și testarea programelor OpenCL utilizând instrumente precum CodeXL, Intel VTune și NVIDIA Nsight.
• Optimizarea programelor OpenCL utilizând tehnici precum vectorizarea, derularea buclelor, memoria locală și profilarea.

Acest training dirijat de instrucțurator în timp real (online sau presential) este destinat dezvoltatorilor cu cunoștințe intermediare care dorească să folosească CUDA pentru a construi aplicații Python care rulează în paralel pe NVIDIA GPU.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Utilizeze compilatorul Numba pentru a accelera aplicațiile Python care rulează pe plăcile NVIDIA GPU.
• Creeze, compileze și lanseze kernel-uri CUDA personalizate.
• Gestioneze memoria GPU.
• Convertească o aplicație bazată pe CPU într-o aplicație accelerată de GPU.

Acest curs de instruire live, condus de un instructor, în Moldova acoperă modul de programare a GPUs pentru calcul paralel, cum se utilizează diverse platforme, cum se lucrează cu platforma CUDA și caracteristicile acesteia și cum se realizează diverse tehnici de optimizare cu ajutorul CUDA. Unele dintre aplicații includ învățarea profundă, analiza, procesarea imaginilor și aplicațiile inginerești.