GPU Đào tạo tại Việt Nam

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng OpenACC để lập trình cho các thiết bị dị nhất và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển OpenACC.
• Viết và chạy một chương trình OpenACC cơ bản.
• Chú thích mã bằng các chỉ thị và mệnh đề OpenACC.
• Sử dụng OpenACC API và thư viện.
• Phân tích hiệu năng, gỡ lỗi và tối ưu hóa các chương trình OpenACC.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn học các kiến thức cơ bản về lập trình GPU và các framework và công cụ chính để phát triển ứng dụng GPU.

• Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:
  Hiểu sự khác biệt giữa CPU và lập trình GPU cũng như những lợi ích và thách thức của lập trình GPU.
• Chọn framework và công cụ phù hợp cho ứng dụng GPU của họ.
• Tạo một chương trình GPU cơ bản thực hiện phép cộng vector bằng một hoặc nhiều framework và công cụ.
• Sử dụng các API, ngôn ngữ và thư viện tương ứng để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa host và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng các không gian bộ nhớ tương ứng, chẳng hạn như global, local, constant và private, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng các mô hình thực thi tương ứng, chẳng hạn như work-items, work-groups, threads, blocks và grids, để kiểm soát tính song song.
• Gỡ lỗi và kiểm tra các chương trình GPU bằng các công cụ như CodeXL, CUDA-GDB, CUDA-MEMCHECK và NVIDIA Nsight.
• Tối ưu hóa các chương trình GPU bằng các kỹ thuật như coalescing, caching, prefetching và profiling.

Khóa học trực tiếp do giảng viên hướng dẫn tại Việt Nam (trực tuyến hoặc tại chỗ) này nhằm vào các nhà phát triển có trình độ từ cơ bản đến trung cấp, mong muốn sử dụng các khung công tác khác nhau cho lập trình GPU và so sánh các tính năng, hiệu suất và khả năng tương thích của chúng.

Sau khi kết thúc khóa học này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm OpenCL SDK, CUDA Toolkit, ROCm Platform, một thiết bị hỗ trợ OpenCL, CUDA hoặc ROCm, và Visual Studio Code.
• Tạo chương trình GPU cơ bản thực hiện phép cộng vector sử dụng OpenCL, CUDA và ROCm, và so sánh cú pháp, cấu trúc và cách thực thi của từng khung công tác.
• Sử dụng các API tương ứng để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy nhân (kernels) và đồng bộ hóa luồng.
• Sử dụng các ngôn ngữ tương ứng để viết nhân thực thi trên thiết bị và xử lý dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp sẵn để thực hiện các tác vụ và thao tác thông thường.
• Sử dụng các không gian bộ nhớ như global, local, constant và private để tối ưu hóa việc chuyển dữ liệu và truy cập bộ nhớ.
• Sử dụng các mô hình thực thi tương ứng để kiểm soát các luồng, khối và lưới định nghĩa tính song song.
• Gỡ lỗi và thử nghiệm chương trình GPU sử dụng các công cụ như CodeXL, CUDA-GDB, CUDA-MEMCHECK và NVIDIA Nsight.
• Tối ưu hóa chương trình GPU sử dụng các kỹ thuật như coalescing, caching, prefetching và profiling.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn cài đặt và sử dụng ROCm trên Windows để lập trình cho các thiết bị AMD GPU và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm Nền tảng ROCm, thiết bị AMD GPU và Visual Studio Code trên Windows.
• Tạo một chương trình ROCm cơ bản thực hiện phép cộng vector trên thiết bị GPU và truy xuất kết quả từ bộ nhớ của thiết bị GPU.
• Sử dụng API ROCm để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng ngôn ngữ HIP để viết kernel thực thi trên thiết bị GPU và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp của HIP để thực hiện các tác vụ và hoạt động phổ biến.
• Sử dụng các không gian bộ nhớ ROCm và HIP, chẳng hạn như toàn cục, chia sẻ, hằng số và cục bộ, để tối ưu hóa việc truyền và truy cập bộ nhớ.
• Sử dụng các mô hình thực thi ROCm và HIP để điều khiển các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình ROCm và HIP bằng các công cụ như ROCm Debugger và ROCm Profiler.
• Tối ưu hóa các chương trình ROCm và HIP bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng ROCm và HIP để lập trình cho các thiết bị AMD GPU và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm Nền tảng ROCm, thiết bị AMD GPU và Visual Studio Code.
• Tạo một chương trình ROCm cơ bản thực hiện phép cộng vector trên thiết bị GPU và truy xuất kết quả từ bộ nhớ của thiết bị GPU.
• Sử dụng API ROCm để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng ngôn ngữ HIP để viết kernel thực thi trên thiết bị GPU và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp của HIP để thực hiện các tác vụ và hoạt động phổ biến.
• Sử dụng không gian bộ nhớ ROCm và HIP, chẳng hạn như toàn cục, chia sẻ, hằng số và cục bộ, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng mô hình thực thi ROCm và HIP để điều khiển các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình ROCm và HIP bằng các công cụ như ROCm Debugger và ROCm Profiler.
• Tối ưu hóa các chương trình ROCm và HIP bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng CUDA để lập trình cho NVIDIA GPU và khai thác tính song song của chúng.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển bao gồm CUDA Toolkit, NVIDIA GPU và Visual Studio Code.
• Tạo một chương trình CUDA cơ bản thực hiện phép cộng vector trên GPU và truy xuất kết quả từ bộ nhớ GPU.
• Sử dụng CUDA API để truy vấn thông tin thiết bị, cấp phát và giải phóng bộ nhớ thiết bị, sao chép dữ liệu giữa máy chủ và thiết bị, khởi chạy kernel và đồng bộ hóa luồng.
• Sử dụng ngôn ngữ CUDA C/C++ để viết kernel thực thi trên GPU và thao tác dữ liệu.
• Sử dụng các hàm, biến và thư viện tích hợp của CUDA để thực hiện các tác vụ và hoạt động phổ biến.
• Sử dụng các không gian bộ nhớ CUDA, chẳng hạn như toàn cục, chia sẻ, hằng số và cục bộ, để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng mô hình thực thi CUDA để điều khiển các luồng, khối và lưới xác định tính song song.
• Gỡ lỗi và kiểm tra các chương trình CUDA bằng các công cụ như CUDA-GDB, CUDA-MEMCHECK và NVIDIA Nsight.
• Tối ưu hóa các chương trình CUDA bằng các kỹ thuật như hợp nhất, bộ nhớ đệm, truy cập trước và phân tích hiệu năng.

97% khách hàng hài lòng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các quản trị viên hệ thống và chuyên gia IT ở trình độ mới bắt đầu, những người muốn cài đặt, cấu hình, quản lý và khắc phục sự cố môi trường CUDA.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu kiến trúc, các thành phần và khả năng của CUDA.
• Cài đặt và cấu hình môi trường CUDA.
• Quản lý và tối ưu hóa tài nguyên CUDA.
• Gỡ lỗi và khắc phục các sự cố phổ biến của CUDA.

Khóa học trực tiếp này tại Việt Nam (trực tuyến hoặc trực tiếp) được thiết kế cho các nhà phát triển cấp độ đầu đến trung cấp muốn sử dụng OpenCL để lập trình cho nhiều thiết bị khác nhau và khai thác khả năng song song của chúng.

Đến cuối khóa học, người tham gia sẽ có thể:

• Cài đặt môi trường phát triển bao gồm SDK OpenCL, thiết bị hỗ trợ OpenCL và Visual Studio Code.
• Tạo chương trình cơ bản sử dụng OpenCL để thực hiện phép cộng vector trên thiết bị và lấy kết quả từ bộ nhớ của thiết bị.
• Sử dụng API OpenCL để truy vấn thông tin thiết bị, tạo ngữ cảnh, hàng lệnh, bộ đệm, nhân (kernel) và sự kiện.
• Viết các nhân (kernel) sử dụng ngôn ngữ C của OpenCL để thực thi trên thiết bị và thao tác dữ liệu.
• Sử dụng các hàm tích hợp, mở rộng và thư viện của OpenCL để thực hiện các tác vụ và thao tác thông thường.
• Sử dụng mô hình bộ nhớ máy chủ và thiết bị của OpenCL để tối ưu hóa việc truyền dữ liệu và truy cập bộ nhớ.
• Sử dụng mô hình thực thi của OpenCL để kiểm soát các mục công việc, nhóm công việc và ND-ranges.
• Gỡ lỗi và kiểm thử chương trình OpenCL bằng các công cụ như CodeXL, Intel VTune và NVIDIA Nsight.
• Tối ưu hóa chương trình OpenCL bằng các kỹ thuật như vectorization, mở vòng lặp, bộ nhớ cục bộ và đánh giá hiệu suất.

Khóa học đào tạo trực tiếp do giảng viên hướng dẫn tại Việt Nam (trực tuyến hoặc tại chỗ) nhằm mục đích hỗ trợ các nhà phát triển C++ muốn sử dụng CUDA để tăng tốc ứng dụng, viết các kernel GPU hiệu suất cao và tận dụng các thư viện thuật toán song song cho các tác vụ điện toán khoa học, xử lý dữ liệu và máy học.

Đào tạo trực tiếp có hướng dẫn này trong Việt Nam (trực tuyến hoặc tại chỗ) nhằm vào các nhà phát triển C/C++ muốn sử dụng CUDA để tăng tốc các ứng dụng tiêu tốn nhiều tài nguyên tính toán, bao gồm xử lý dữ liệu, mô phỏng khoa học, công việc học máy và đường ống xử lý hình ảnh.

Khóa đào tạo trực tiếp do giảng viên hướng dẫn tại Việt Nam (trực tuyến hoặc tại chỗ) này dành cho nhà phát triển phần mềm, nhà phân tích dữ liệu và chuyên gia kỹ thuật muốn sử dụng TensorFlow 2.x và Keras để xây dựng, huấn luyện và triển khai các mô hình học sâu phục vụ thị giác máy tính, xử lý ngôn ngữ tự nhiên và các ứng dụng đa phương thức.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, đề cập đến cách lập trình GPUs cho điện toán song song, cách sử dụng các nền tảng khác nhau, cách làm việc với nền tảng CUDA và các tính năng của nó, cũng như cách thực hiện các kỹ thuật tối ưu hóa khác nhau bằng CUDA. Một số ứng dụng bao gồm học sâu, phân tích dữ liệu, xử lý hình ảnh và các ứng dụng kỹ thuật.