Курс за обучение по NVIDIA GPU Programming - Extended

Huawei Ascend е семейство AI процесори, проектирани за високопроизводително извличане и обучение. Това инструкторско, живо обучение (онлайн или на място) е предназначено за средно ниво AI инженери и данни учени, които искат да развиват и оптимизират модели на нейронни мрежи, използвайки платформата Ascend на Huawei и инструменталния комплект CANN. До края на това обучение участниците ще могат да:

• Настроят и конфигурират средата за разработка на CANN.
• Разработват AI приложения, използвайки MindSpore и CloudMatrix работни процеси.
• Оптимизират производителността на Ascend NPU, използвайки персонализирани оператори и тилинг.
• Разпределят модели в периферни или облачни среди.

Формат на курса

• Интерактивна лекция и дискусия.
• Практическо използване на Huawei Ascend и инструменталния комплект CANN в примерни приложения.
• Упътвания за упражнения, фокусирани върху изграждането, обучението и разпределението на модели.

Опции за персонализиране на курса

• За да поставите запрос за персонализирано обучение за този курс, базиран на вашата инфраструктура или данни, моля свържете се с нас за уредение.

КлудMatrix е обединящата платформа на Huawei за разработка и развертане на AI, проектирана да поддържа масштабируеми, производствени инференс пиплайни. Това ръководено от инструктор, живо обучение (онлайн или на място) е предназначено за начинаещи до средно-опитни AI професионалисти, които искат да развертат и мониторят AI модели, използвайки платформата КлудMatrix с интеграция на CANN и MindSpore. Към края на това обучение участниците ще могат да:

• Използват КлудMatrix за пакетиране, развертане и предоставяне на модели.
• Конвертират и оптимизират модели за чипсетове Ascend.
• Настрояват пиплайни за задачи с инференс в реално време и в пакети.
• Мониторират развертане и настройват производителност в производствени условия.

Формат на курса

• Интерактивни лекции и дискусии.
• Практическо използване на КлудMatrix с реални сценарии за развертане.
• Упътващи упражнения, фокусирани върху конвертиране, оптимизация и масштабируемост.

Опции за персонализация на курса

• За да поискате персонализирано обучение за този курс, базирано на вашата AI инфраструктура или облачна среда, моля свържете се с нас, за да организираме.

Biren AI Accelerators са високо производителни GPUs, проектирани за работа с AI и HPC, с поддръжка за обучение и извличане на информация в голям мащаб. Този курс с инструктор (онлайн или на място) е предназначен за разработчици с средно до напреднало ниво, които искат да програмират и оптимизират приложения, използвайки собствения GPU стек на Biren, с практическо сравнение с CUDA-средата. До края на този курс участниците ще могат да: * Разберат архитектурата и йерархията на паметта на Biren GPU. * Настроят разработвателската среда и използват модела за програмиране на Biren. * Преведат и оптимизират код в стила на CUDA за платформи на Biren. * Прилагат техники за оптимизация на производителността и отстраняване на грешки. Формат на курса * Интерактивни лекции и дискусии. * Практическо използване на Biren SDK в примерни GPU натоварвания. * Упражнения, ръководени от инструктора, със фокус върху прехвърлянето и оптимизацията на производителността. Опции за персонифициране на курса * За да заподелите персонализиран обучение за този курс, според нуждите на вашата приложна стека или интеграция, моля, свържете се с нас, за да уредите. GPU Programming на Biren AI Accelerators Въведение в архитектурата на Biren GPU * Обзор на Biren и приложения * Хардуерен дизайн: ядра, памет, компютърни кластери * Сравнение с NVIDIA и AMD GPUs Настройка на средата за разработка на Biren Programming * Инсталиране на Biren SDK и runtime * Разбиране на инструменталната верига и модел на компилатора * Основна структура на проекта и процес на сглобяване GPU Programming с Biren стек * Модели на нишки и блокове * Управление на паметта и прехвърляне на данни * Разработка и шаблони за стартиране на ядра Прехвърляне от CUDA към Biren * Техники за превод на CUDA код * Общи карти на API и адаптации * Лаборатории и практика за превод на код Отстраняване на грешки и профилиране * Използване на отстранявача и профилиращата система на Biren * Идентифициране на флашките места * Патрони на достъп до паметта и оптимизация Техники за оптимизация * Планиране на нишки и пиплайниране на инструкции * Разглеждане на цикли и използване на обща памет * Напреднала настройка на ядра за пробивна способност Примерен случай и примерни приложения * Обучение на модел с ускорителите на Biren * Прехвърляне и профилиране на модел за виждане или NLP * Сравнение на производителността спрямо CUDA/NVIDIA Резюме и следващи стъпки Biren AI Accelerators са високо производителни GPUs, проектирани за работа с AI и HPC, с поддръжка за обучение и извличане на информация в голям мащаб. Този курс с инструктор (онлайн или на място) е предназначен за разработчици с средно до напреднало ниво, които искат да програмират и оптимизират приложения, използвайки собствения GPU стек на Biren, с практическо сравнение с CUDA-средата. До края на този курс участниците ще могат да: * Разберат архитектурата и йерархията на паметта на Biren GPU. * Настроят разработвателската среда и използват модела за програмиране на Biren. * Преведат и оптимизират код в стила на CUDA за платформи на Biren. * Прилагат техники за оптимизация на производителността и отстраняване на грешки. Формат на курса * Интерактивни лекции и дискусии. * Практическо използване на Biren SDK в примерни GPU натоварвания. * Упражнения, ръководени от инструктора, със фокус върху прехвърлянето и оптимизацията на производителността. Опции за персонифициране на курса * За да заподелите персонализиран обучение за този курс, според нуждите на вашата приложна стека или интеграция, моля, свържете се с нас, за да уредите. * Разбиране на архитектурата GPU и паралелното обработване * Опит с CUDA, OpenCL, или подобни GPU среди за програмиране * Знание на рамки за дълбоко обучение, като PyTorch или TensorFlow Целова публика * Разработчици на HPC * Инженери на AI инфраструктура * Специалисти по оптимизация на производителността

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.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към системни администратори на ниво начинаещи и ИТ специалисти, които желаят да инсталират, конфигурират, управляват и отстраняват проблеми в CUDA среди.

До края на това обучение участниците ще могат:

• Разберете архитектурата, компонентите и възможностите на CUDA.
• Инсталирайте и конфигурирайте CUDA среди.
• Управлявайте и оптимизирайте ресурсите на CUDA.
• Отстраняване на грешки и отстраняване на често срещани проблеми с CUDA.

Това инструкторско руководимо живо обучение в България (онлайн или наместно) е насочено към среднокоlescени разработчици, които искат да използват CUDA за построяване на Python приложения, работещи паралелно върху NVIDIA GPU.

До края на това обучение участниците ще могат:

• Да използват компилатора Numba за ускоряване на Python приложения, работещи на NVIDIA GPU.
• Да създават, компилират и стартират персонализирани CUDA ядра.
• Да управляват паметта на GPU.
• Да конвертират CPU-базирано приложение в приложение, ускорено от GPU.

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.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици от начинаещи до средно ниво, които желаят да използват CUDA за програмиране на NVIDIA GPU и да използват техния паралелизъм.

До края на това обучение участниците ще могат:

• Настройте среда за разработка, която включва CUDA Toolkit, код на NVIDIA GPU и Visual Studio.
• Създайте основна CUDA програма, която извършва добавяне на вектор върху GPU и извлича резултатите от паметта GPU.
• Използвайте CUDA API, за да правите заявки за информация за устройството, да разпределяте и освобождавате памет на устройството, да копирате данни между хост и устройство, да стартирате ядра и да синхронизирате нишки.
• Използвайте езика CUDA C/C++, за да напишете ядра, които се изпълняват на GPU и да манипулират данни.
• Използвайте вградени функции, променливи и библиотеки на CUDA за изпълнение на общи задачи и операции.
• Използвайте CUDA пространства на паметта, като глобални, споделени, постоянни и локални, за да оптимизирате трансфера на данни и достъпа до паметта.
• Използвайте модел за изпълнение на CUDA, за да контролирате нишките, блоковете и решетките, които определят паралелизма.
• Отстранявайте грешки и тествайте CUDA програми с помощта на инструменти като CUDA-GDB, CUDA-MEMCHECK и NVIDIA Nsight.
• Оптимизирайте програмите CUDA, като използвате техники като обединяване, кеширане, предварително извличане и профилиране.

97% удовлетвореност на клиентите.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици от начинаещи до средно ниво, които желаят да използват OpenCL за програмиране на хетерогенни устройства и да използват техния паралелизъм.

До края на това обучение участниците ще могат:

• Настройте среда за разработка, която включва OpenCL SDK, устройство, което поддържа OpenCL и Visual Studio код.
• Създайте основна OpenCL програма, която извършва векторно добавяне на устройството и извлича резултатите от паметта на устройството.
• Използвайте OpenCL API за запитване към информация за устройството, създаване на контексти, опашки с команди, буфери, ядра и събития.
• Използвайте OpenCL език C, за да напишете ядра, които се изпълняват на устройството и манипулират данни.
• Използвайте OpenCL вградени функции, разширения и библиотеки за изпълнение на общи задачи и операции.
• Използвайте OpenCL модели памет на хост и устройство, за да оптимизирате трансфера на данни и достъпа до паметта.
• Използвайте OpenCL модел за изпълнение, за да контролирате работните елементи, работните групи и ND-обхватите.
• Отстранявайте грешки и тествайте OpenCL програми с помощта на инструменти като CodeXL, Intel VTune и NVIDIA Nsight.
• Оптимизирайте OpenCL програми, като използвате техники като векторизация, разгръщане на цикъл, локална памет и профилиране.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици от начинаещи до средно ниво, които желаят да използват различни рамки за GPU програмиране и да сравняват техните характеристики, производителност и съвместимост.

До края на това обучение участниците ще могат:

• Настройте среда за разработка, която включва OpenCL SDK, CUDA Toolkit, ROCm платформа, устройство, което поддържа OpenCL, CUDA или ROCm и Visual Studio код.
• Създайте основна GPU програма, която извършва добавяне на вектори, използвайки OpenCL, CUDA и ROCm, и сравнете синтаксиса, структурата и изпълнението на всяка рамка.
• Използвайте съответните API, за да правите заявки за информация за устройството, да разпределяте и освобождавате памет на устройството, да копирате данни между хост и устройство, да стартирате ядра и да синхронизирате нишки.
• Използвайте съответните езици, за да напишете ядра, които се изпълняват на устройството и манипулират данни.
• Използвайте съответните вградени функции, променливи и библиотеки за изпълнение на общи задачи и операции.
• Използвайте съответните пространства на паметта, като глобална, локална, постоянна и частна, за да оптимизирате прехвърлянето на данни и достъпа до паметта.
• Използвайте съответните модели за изпълнение, за да контролирате нишките, блоковете и решетките, които определят паралелизма.
• Отстранявайте грешки и тествайте GPU програми с помощта на инструменти като CodeXL, CUDA-GDB, CUDA-MEMCHECK и NVIDIA Nsight.
• Оптимизирайте GPU програми, като използвате техники като обединяване, кеширане, предварително извличане и профилиране.

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.