Formation GPU en Liège

Cette formation en présentiel, animée par un formateur, en <lieu> (en ligne ou sur site), s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser OpenACC pour programmer des dispositifs hétérogènes et exploiter leur parallélisme.

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

• Configurer un environnement de développement OpenACC.
• Rédiger et exécuter un programme OpenACC de base.
• Annoter le code avec des directives et des clauses OpenACC.
• Utiliser l'API et les bibliothèques OpenACC.
• Profiler, déboguer et optimiser les programmes OpenACC.

Ce formation en direct, animée par un formateur, en Liège (en ligne ou en présentiel) s'adresse aux développeurs de niveau débutant à intermédiaire souhaitant apprendre les bases de la programmation GPU ainsi que les principaux frameworks et outils pour développer des applications GPU.

• À l'issue de cette formation, les participants seront capables de :
  Comprendre la différence entre le calcul CPU et GPU, ainsi que les avantages et les défis de la programmation GPU.
• Choisir le framework et l'outil appropriés pour leur application GPU.
• Créer un programme GPU basique effectuant une addition vectorielle en utilisant un ou plusieurs des frameworks et outils.
• Utiliser les API, langages et bibliothèques respectifs pour interroger les informations de l'appareil, allouer et libérer la mémoire de l'appareil, copier des données entre l'hôte et l'appareil, lancer des kernels et synchroniser les threads.
• Utiliser les espaces mémoire respectifs, tels que global, local, constant et privé, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution respectifs, tels que les work-items, les work-groups, les threads, les blocs et les grilles, pour contrôler le parallélisme.
• Déboguer et tester les programmes GPU en utilisant des outils tels que CodeXL, CUDA-GDB, CUDA-MEMCHECK et NVIDIA Nsight.
• Optimiser les programmes GPU en utilisant des techniques telles que le regroupement (coalescing), la mise en cache, le pré-chargement et le profilage.

Cette formation en direct animée par un formateur dans <lieu> (en ligne ou sur site) s'adresse aux développeurs de niveau débutant à intermédiaire souhaitant utiliser différents frameworks pour la programmation GPU et comparer leurs fonctionnalités, performances et compatibilité.

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

• Mettre en place un environnement de développement incluant le SDK OpenCL, le toolkit CUDA, la plateforme ROCm, un périphérique prenant en charge OpenCL, CUDA ou ROCm, et Visual Studio Code.
• Créer un programme GPU basique effectuant une addition de vecteurs avec OpenCL, CUDA et ROCm, et comparer la syntaxe, la structure et l'exécution de chaque framework.
• Utiliser les API respectives pour interroger les informations du périphérique, allouer et libérer la mémoire du périphérique, copier les données entre l'hôte et le périphérique, lancer des kernels et synchroniser les threads.
• Utiliser les langages respectifs pour écrire des kernels qui s'exécutent sur le périphérique et manipulent les données.
• Utiliser les fonctions intégrées, variables et bibliothèques respectives pour effectuer des tâches et opérations courantes.
• Utiliser les espaces mémoire respectifs, tels que global, local, constant et privé, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution respectifs pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Déboguer et tester les programmes GPU à l'aide d'outils tels que CodeXL, CUDA-GDB, CUDA-MEMCHECK et NVIDIA Nsight.
• Optimiser les programmes GPU à l'aide de techniques telles que le regroupement (coalescing), la mise en cache, la prédétection (prefetching) et le profilage.

Ce cours en direct, dirigé par un instructeur dans <lieu> (en ligne ou sur site), s'adresse aux développeurs de niveau débutant à intermédiaire souhaitant installer et utiliser ROCm sur Windows pour programmer des GPU AMD et exploiter leur parallélisme.

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

• Configurer un environnement de développement incluant la plate-forme ROCm, un GPU AMD et Visual Studio Code sous Windows.
• Créer un programme ROCm de base effectuant une addition de vecteurs sur le GPU et récupérant les résultats de la mémoire du GPU.
• Utiliser l'API ROCm pour interroger les informations de l'appareil, allouer et libérer de la mémoire de l'appareil, copier des données entre l'hôte et l'appareil, lancer des noyaux et synchroniser les threads.
• Utiliser le langage HIP pour écrire des noyaux qui s'exécutent sur le GPU et manipulent les données.
• Utiliser les fonctions, variables et bibliothèques intégrées de HIP pour effectuer des tâches et opérations courantes.
• Utiliser les espaces mémoire de ROCm et HIP, tels que global, partagé, constant et local, pour optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution de ROCm et HIP pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Débugger et tester les programmes ROCm et HIP à l'aide d'outils tels que ROCm Debugger et ROCm Profiler.
• Optimiser les programmes ROCm et HIP en utilisant des techniques telles que la regroupement, la mise en cache, la précharge et le profilage.

Cette formation en direct, animée par un formateur à Liège (en ligne ou en présentiel), s'adresse aux développeurs de niveau débutant à intermédiaire souhaitant utiliser ROCm et HIP pour programmer les GPU AMD et tirer parti de leur puissance de parallélisation.

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

• Configurer un environnement de développement comprenant la plateforme ROCm, un GPU AMD et Visual Studio Code.
• Créer un programme ROCm de base effectuant une addition de vecteurs sur le GPU et récupérant les résultats depuis la mémoire du GPU.
• Utiliser l'API ROCm pour interroger les informations du dispositif, allouer et libérer de la mémoire sur le dispositif, transférer des données entre l'hôte et le dispositif, lancer des kernels et synchroniser les threads.
• Utiliser le langage HIP pour écrire des kernels exécutés sur le GPU et manipuler les données.
• Utiliser les fonctions intégrées, les variables et les bibliothèques HIP pour réaliser des tâches et opérations courantes.
• Exploiter les espaces mémoire ROCm et HIP, tels que global, partagé, constant et local, afin d'optimiser les transferts de données et les accès mémoire.
• Utiliser les modèles d'exécution ROCm et HIP pour contrôler les threads, les blocs et les grilles définissant le parallélisme.
• Debuguer et tester les programmes ROCm et HIP à l'aide d'outils tels que ROCm Debugger et ROCm Profiler.
• Optimiser les programmes ROCm et HIP en appliquant des techniques telles que la consolidation des accès mémoire (coalescing), la mise en cache, le préchargement et le profilage.

Cette formation en direct animée par un instructeur à Liège (en ligne ou sur site) s’adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser CUDA pour programmer des GPU NVIDIA et exploiter leur parallélisme.

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

• Configurer un environnement de développement incluant le CUDA Toolkit, un GPU NVIDIA et Visual Studio Code.
• Créer un programme CUDA de base effectuant une addition de vecteurs sur le GPU et récupérant les résultats depuis la mémoire du GPU.
• Utiliser l’API CUDA pour interroger les informations de l’appareil, allouer et libérer de la mémoire appareil, copier des données entre l’hôte et l’appareil, lancer des noyaux (kernels) et synchroniser les threads.
• Utiliser le langage CUDA C/C++ pour écrire des noyaux qui s’exécutent sur le GPU et manipulent les données.
• Utiliser les fonctions intégrées, les variables et les bibliothèques de CUDA pour effectuer des tâches et des opérations courantes.
• Utiliser les espaces mémoire de CUDA, tels que global, partagé, constant et local, pour optimiser les transferts de données et les accès mémoire.
• Utiliser le modèle d’exécution de CUDA pour contrôler les threads, les blocs et les grilles qui définissent le parallélisme.
• Déboguer et tester les programmes CUDA à l’aide d’outils tels que CUDA-GDB, CUDA-MEMCHECK et NVIDIA Nsight.
• Optimiser les programmes CUDA en utilisant des techniques telles que la consolidation (coalescing), la mise en cache, la prédiction (prefetching) et le profilage.

97 % de nos clients satisfaits.

Cette formation en direct, animée par un formateur, à Liège (en ligne ou sur site), s'adresse aux administrateurs système et aux professionnels de l'informatique de niveau débutant souhaitant installer, configurer, gérer et dépanner des environnements CUDA.

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

• Comprendre l'architecture, les composants et les capacités de CUDA.
• Installer et configurer des environnements CUDA.
• Gérer et optimiser les ressources CUDA.
• Déboguer et résoudre les problèmes courants liés à CUDA.

Cette formation en présentiel ou à distance en <lieu>, animée par un instructeur, s'adresse aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser OpenCL pour programmer des appareils hétérogènes et exploiter leur parallélisme.

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

• Mettre en place un environnement de développement comprenant le SDK OpenCL, un appareil prenant en charge OpenCL et Visual Studio Code.
• Créer un programme OpenCL de base effectuant une addition de vecteurs sur l'appareil et récupérant les résultats de la mémoire de l'appareil.
• Utiliser l'API OpenCL pour interroger les informations sur l'appareil, créer des contextes, des files d'attente de commandes, des tampons, des noyaux et des événements.
• Utiliser le langage C d'OpenCL pour écrire des noyaux qui s'exécutent sur l'appareil et manipulent les données.
• Utiliser les fonctions intégrées, les extensions et les bibliothèques d'OpenCL pour effectuer des tâches et opérations courantes.
• Utiliser les modèles de mémoire hôte et appareil d'OpenCL pour optimiser les transferts de données et les accès mémoire.
• Utiliser le modèle d'exécution d'OpenCL pour contrôler les éléments de travail, les groupes de travail et les étendues ND.
• Déboguer et tester les programmes OpenCL en utilisant des outils tels que CodeXL, Intel VTune et NVIDIA Nsight.
• Optimiser les programmes OpenCL en utilisant des techniques telles que la vectorisation, le déroulage de boucles, la mémoire locale et le profilage.

Cette formation en présentiel ou à distance, dirigée par un instructeur en Liège, s'adresse aux développeurs C++ souhaitant utiliser CUDA pour accélérer les applications, écrire des noyaux GPU haute performance et tirer parti des bibliothèques d'algorithmes parallèles pour les charges de travail de calcul scientifique, de traitement de données et d'apprentissage automatique.

Cette formation en direct, dispensée par un instructeur à Liège (en ligne ou sur site), s’adresse aux développeurs C/C++ souhaitant utiliser CUDA pour accélérer des applications intensives en calcul, notamment le traitement de données, les simulations scientifiques, les charges de travail d’apprentissage automatique et les pipelines de traitement d’images.

Cette formation en présentiel ou en ligne, animée par un instructeur à Liège, s'adresse aux développeurs logiciels, aux analystes de données et aux professionnels techniques souhaitant utiliser TensorFlow 2.x et Keras pour créer, former et déployer des modèles d'apprentissage profond pour la vision par ordinateur, le traitement du langage naturel et les applications multimodales.

Ce cours de formation en présentiel, dirigé par un instructeur, en Liège couvre la programmation des GPU pour le calcul parallèle, l'utilisation de différentes plateformes, le travail avec la plateforme CUDA et ses fonctionnalités, ainsi que la mise en œuvre de diverses techniques d'optimisation avec CUDA. Parmi les applications, on retrouve l'apprentissage profond, l'analyse de données, le traitement d'images et les applications techniques.