Cursos de GPU en Lèon

Esta capacitación en vivo, impartida por un instructor en Lèon (en línea o presencial), está dirigida a desarrolladores de nivel principiante e intermedio que desean utilizar OpenACC para programar dispositivos heterogéneos y explotar su paralelismo.

Al finalizar esta capacitación, los participantes podrán:

• Configurar un entorno de desarrollo con OpenACC.
• Escribir y ejecutar un programa básico de OpenACC.
• Anotar el código con directivas y cláusulas de OpenACC.
• Utilizar la API y las bibliotecas de OpenACC.
• Perfilarse, depurar y optimizar programas de OpenACC.

Esta formación en vivo impartida por un instructor en Lèon (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean aprender los fundamentos de la programación de GPU y los principales marcos de trabajo y herramientas para desarrollar aplicaciones de GPU.

• Al final de esta formación, los participantes podrán:
  Comprender la diferencia entre el cómputo con CPU y GPU, así como los beneficios y desafíos de la programación de GPU.
• Elegir el marco de trabajo y la herramienta adecuados para su aplicación de GPU.
• Crear un programa básico de GPU que realice una adición de vectores utilizando uno o más de los marcos de trabajo y herramientas mencionados.
• Utilizar las respectivas API, lenguajes y bibliotecas para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el anfitrión y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar los respectivos espacios de memoria, como global, local, constante y privado, para optimizar las transferencias de datos y el acceso a la memoria.
• Utilizar los respectivos modelos de ejecución, como elementos de trabajo, grupos de trabajo, hilos, bloques y rejillas (grids), para controlar el paralelismo.
• Depurar y probar programas de GPU utilizando herramientas como CodeXL, CUDA-GDB, CUDA-MEMCHECK y NVIDIA Nsight.
• Optimizar programas de GPU mediante técnicas como la coalescencia, el almacenamiento en caché, la búsqueda anticipada (prefetching) y la perfilería (profiling).

Esta formación práctica impartida por un instructor en Lèon (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar diferentes marcos de trabajo para la programación de GPU y comparar sus características, rendimiento y compatibilidad.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar un entorno de desarrollo que incluya el SDK de OpenCL, el kit de herramientas CUDA, la plataforma ROCm, un dispositivo que soporte OpenCL, CUDA o ROCm, y Visual Studio Code.
• Crear un programa básico de GPU que realice una suma de vectores utilizando OpenCL, CUDA y ROCm, y comparar la sintaxis, estructura y ejecución de cada marco de trabajo.
• Utilizar las respectivas APIs para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar los respectivos lenguajes para escribir kernels que se ejecuten en el dispositivo y manipulen datos.
• Utilizar las respectivas funciones integradas, variables y bibliotecas para realizar tareas y operaciones comunes.
• Utilizar los respectivos espacios de memoria, como global, local, constante y privado, para optimizar las transferencias de datos y el acceso a la memoria.
• Utilizar los respectivos modelos de ejecución para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de GPU utilizando herramientas como CodeXL, CUDA-GDB, CUDA-MEMCHECK y NVIDIA Nsight.
• Optimizar programas de GPU utilizando técnicas como la coalescencia, almacenamiento en caché (caching), prefetching y perfilado.

Esta formación en vivo dirigida por instructores en Lèon (en línea o en sitio) está dirigida a desarrolladores de nivel principiante e intermedio que desean instalar y usar ROCm en Windows para programar GPUs de AMD y explotar su paralelismo.

Al final de esta formación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya la Plataforma ROCm, una GPU de AMD y Visual Studio Code en Windows.
• Crear un programa básico de ROCm que realice la adición de vectores en la GPU y recupere los resultados de la memoria de la GPU.
• Utilizar la API de ROCm para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar el lenguaje HIP para escribir kernels que se ejecuten en la GPU y manipulen datos.
• Utilizar las funciones integradas, variables y bibliotecas de HIP para realizar tareas y operaciones comunes.
• Utilizar los espacios de memoria de ROCm y HIP, como global, compartido, constante y local, para optimizar las transferencias de datos y el acceso a la memoria.
• Utilizar los modelos de ejecución de ROCm y HIP para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de ROCm y HIP utilizando herramientas como el Depurador de ROCm y el Analizador de ROCm.
• Optimizar programas de ROCm y HIP utilizando técnicas como la coalescencia, el almacenamiento en caché, la precarga (prefetching) y la medición de rendimiento (profiling).

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar ROCm e HIP para programar GPUs AMD y explotar su paralelismo.

Al finalizar esta formación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya la plataforma ROCm, una GPU AMD y Visual Studio Code.
• Crear un programa básico de ROCm que realice una adición vectorial en la GPU y recupere los resultados de la memoria de la GPU.
• Utilizar la API de ROCm para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar el lenguaje HIP para escribir kernels que se ejecutan en la GPU y manipulan datos.
• Utilizar las funciones, variables y bibliotecas incorporadas de HIP para realizar tareas y operaciones comunes.
• Utilizar los espacios de memoria de ROCm e HIP, como global, compartido, constante y local, para optimizar las transferencias de datos y los accesos a la memoria.
• Utilizar los modelos de ejecución de ROCm e HIP para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de ROCm e HIP utilizando herramientas como el Depurador de ROCm y el Analizador de ROCm.
• Optimizar programas de ROCm e HIP utilizando técnicas como la combinación (coalescing), almacenamiento en caché, prefetching y perfilado.

Optimice el rendimiento de inferencia de redes neuronales en procesadores de IA Ascend con esta capacitación avanzada impartida por un instructor en Lèon. Explore la arquitectura de tiempo de ejecución de CANN, aprovechando Graph Engine, TIK y TVM para el perfilado, el desarrollo de operadores personalizados y la resolución de cuellos de botella de memoria.

Esta capacitación en vivo impartida por un instructor en Lèon (en línea o en sitio) está dirigida a desarrolladores de nivel principiante a intermedio que desean usar CUDA para programar GPUs de NVIDIA y aprovechar su paralelismo.

Al finalizar esta capacitación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya CUDA Toolkit, una GPU de NVIDIA y Visual Studio Code.
• Crear un programa básico de CUDA que realice la adición de vectores en la GPU y recupere los resultados desde la memoria de la GPU.
• Usar la API de CUDA para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre anfitrión y dispositivo, lanzar kernels y sincronizar hilos.
• Usar el lenguaje CUDA C/C++ para escribir kernels que se ejecutan en la GPU y manipulan datos.
• Usar funciones, variables y bibliotecas integradas de CUDA para realizar tareas y operaciones comunes.
• Usar espacios de memoria de CUDA, como global, compartida, constante y local, para optimizar las transferencias de datos y los accesos a la memoria.
• Usar el modelo de ejecución de CUDA para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de CUDA usando herramientas como CUDA-GDB, CUDA-MEMCHECK y NVIDIA Nsight.
• Optimizar programas de CUDA usando técnicas como alineación (coalescing), caché, anticipación (prefetching) y perfiles (profiling).

97% de clientes satisfechos.  

Esta formación en vivo con instructores en <ubicación> (en línea o presencial) está dirigida a administradores de sistemas y profesionales de TI de nivel principiante que desean instalar, configurar, administrar y solucionar problemas de entornos CUDA.

Al finalizar esta capacitación, los participantes podrán:

• Comprender la arquitectura, los componentes y las capacidades de CUDA.
• Instalar y configurar entornos CUDA.
• Administrar y optimizar los recursos de CUDA.
• Depurar y solucionar problemas comunes de CUDA.

Esta capacitación en vivo, dirigida por un instructor, en Lèon (en línea o presencial), está diseñada para desarrolladores de nivel principiante a intermedio que deseen utilizar OpenCL para programar dispositivos heterogéneos y explotar su paralelismo.

Al finalizar esta capacitación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya el SDK de OpenCL, un dispositivo compatible con OpenCL y Visual Studio Code.
• Crear un programa básico de OpenCL que realice la suma de vectores en el dispositivo y recupere los resultados desde la memoria del dispositivo.
• Utilizar la API de OpenCL para consultar información del dispositivo, crear contextos, colas de comandos, búferes, kernels y eventos.
• Utilizar el lenguaje OpenCL C para escribir kernels que se ejecuten en el dispositivo y manipulen datos.
• Usar funciones, extensiones y bibliotecas integradas de OpenCL para realizar tareas y operaciones comunes.
• Aplicar los modelos de memoria de host y dispositivo de OpenCL para optimizar las transferencias de datos y el acceso a la memoria.
• Utilizar el modelo de ejecución de OpenCL para controlar los elementos de trabajo (work-items), grupos de trabajo (work-groups) y rangos ND (ND-ranges).
• Depurar y probar programas de OpenCL utilizando herramientas como CodeXL, Intel VTune y NVIDIA Nsight.
• Optimizar programas de OpenCL mediante técnicas como la vectorización, la expansión de bucles (loop unrolling), la memoria local y el perfiles de rendimiento (profiling).

Esta formación en vivo impartida por instructores en Lèon (en línea o presencial) está dirigida a desarrolladores de C++ que deseen utilizar CUDA para acelerar aplicaciones, escribir kernels de GPU de alto rendimiento y aprovechar bibliotecas de algoritmos paralelos para cargas de trabajo de computación científica, procesamiento de datos y aprendizaje automático.

Esta formación en vivo con instructor en Lèon (en línea o presencial) está dirigida a desarrolladores de C/C++ que desean utilizar CUDA para acelerar aplicaciones intensivas en computación, incluyendo procesamiento de datos, simulaciones científicas, cargas de trabajo de aprendizaje automático y tuberías de procesamiento de imágenes.

Esta formación en vivo impartida por un instructor en Lèon (en línea o presencial) está dirigida a desarrolladores de software, analistas de datos y profesionales técnicos que desean utilizar TensorFlow 2.x y Keras para crear, entrenar e implementar modelos de aprendizaje profundo para aplicaciones de visión por computadora, procesamiento del lenguaje natural y multimodales.

Este curso en vivo y dirigido por instructores en <ubicación> cubre la programación de GPUs para computación en paralelo, cómo usar diversas plataformas, cómo trabajar con la plataforma CUDA y sus características, y cómo realizar diversas técnicas de optimización utilizando CUDA. Algunas de las aplicaciones incluyen aprendizaje profundo, análisis de datos, procesamiento de imágenes y aplicaciones de ingeniería.