Formation Cambricon (MLU) en Belgique

Ascend, Biren et Cambricon sont des plates-formes matérielles d'intelligence artificielle de premier plan en Chine, chacune offrant des outils d'accélération et de profilage spécifiques pour des charges de travail d'IA à l'échelle de la production.

Cette formation en présentiel ou en ligne, animée par un instructeur, s'adresse aux ingénieurs avancés en infrastructure et en performance de l'IA souhaitant optimiser les workflows d'inférence et d'entraînement de modèles sur plusieurs plates-formes de puces d'IA chinoises.

À l'issue de cette formation, les participants seront en mesure de :

• Réaliser des benchmarks de modèles sur les plates-formes Ascend, Biren et Cambricon.
• Identifier les goulots d'étranglement système et les inefficacités mémoire/calcul.
• Appliquer des optimisations au niveau du graphe, du noyau (kernel) et de l'opérateur.
• Ajuster les pipelines de déploiement pour améliorer le débit et réduire la latence.

Format de la formation

• Cours interactif et discussions.
• Prise en main des outils de profilage et d'optimisation sur chaque plate-forme.
• Exercices guidés axés sur des scénarios de réglage pratiques.

Options de personnalisation de la formation

• Pour demander une formation personnalisée pour ce cours en fonction de votre environnement de performance ou du type de modèle, veuillez nous contacter afin d'en convenir.

Les architectures GPU chinoises telles que Huawei Ascend, Biren et les MLUs Cambricon offrent des alternatives à CUDA, spécifiquement adaptées aux marchés locaux de l'IA et du HPC.

Cette formation pratique, animée par un formateur (en ligne ou en présentiel), s'adresse aux programmeurs GPU avancés et aux spécialistes de l'infrastructure souhaitant migrer et optimiser leurs applications CUDA existantes pour un déploiement sur des plateformes matérielles chinoises.

À l'issue de cette formation, les participants seront capables de :

• Évaluer la compatibilité des charges de travail CUDA existantes avec les solutions matérielles chinoises.
• Porter les codebases CUDA vers les environnements Huawei CANN, Biren SDK et Cambricon BANGPy.
• Comparer les performances et identifier les points d'optimisation entre les différentes plateformes.
• Traiter les défis pratiques liés au support multi-architecture et au déploiement.

Format de la formation

• Conférence interactive et échanges.
• Ateliers pratiques de traduction de code et de comparaison des performances.
• Exercices guidés axés sur les stratégies d'adaptation multi-GPU.

Options de personnalisation de la formation

• Pour demander une formation personnalisée pour ce cours, adaptée à votre plateforme ou projet CUDA, veuillez nous contacter afin de convenir des détails.

Les UIM (Unités d'Informatique pour l'IA) de Cambricon sont des puces spécialisées dans le domaine de l'IA, optimisées pour l'inférence et l'entraînement dans des contextes de périphérie (edge) et de centres de données.

Ce training animé par un instructeur (en ligne ou en présentiel) s'adresse aux développeurs de niveau intermédiaire souhaitant construire et déployer des modèles d'IA en utilisant le framework BANGPy et le SDK Neuware sur du matériel Cambricon MLU.

À l'issue de ce training, les participants seront capables de :

• Configurer et mettre en place les environnements de développement BANGPy et Neuware.
• Développer et optimiser des modèles basés sur Python et/ou C++ pour les UIM Cambricon.
• Déployer des modèles sur des périphériques de périphérie et de centres de données fonctionnant avec le runtime Neuware.
• Intégrer les workflows ML avec les fonctionnalités d'accélération spécifiques aux UIM.

Format du cours

• Conférences interactives et discussions.
• Pratique de BANGPy et Neuware pour le développement et le déploiement.
• Exercices guidés axés sur l'optimisation, l'intégration et les tests.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours basée sur votre modèle d'appareil Cambricon ou votre cas d'utilisation, veuillez nous contacter pour convenir des détails.