GPU Programming with OpenCL 교육 과정

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 CUDA를 사용하여 NVIDIA GPU에서 병렬로 실행되는 Python 애플리케이션을 구축하려는 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Numba 컴파일러를 사용하여 NVIDIA GPU에서 실행되는 Python 애플리케이션을 가속화하세요.
• 사용자 정의 CUDA 커널을 생성, 컴파일 및 실행합니다.
• GPU 메모리를 관리합니다.
• CPU 기반 애플리케이션을 GPU 가속 애플리케이션으로 변환합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 CUDA 환경을 설치, 구성, 관리 및 문제 해결하려는 초급 시스템 관리자 및 IT 전문가를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• CUDA의 아키텍처, 구성 요소 및 기능을 이해합니다.
• CUDA 환경을 설치하고 구성합니다.
• CUDA 리소스를 관리하고 최적화합니다.
• 일반적인 CUDA 문제를 디버그하고 해결합니다.

병렬 컴퓨팅을위한 GPU 프로그래밍 방법을 다룹니다. 일부 응용 프로그램에는 심층 학습, 분석 및 엔지니어링 응용 프로그램이 포함됩니다.

대한민국에서 강사가 진행하는 실시간 교육 과정에서는 병렬 컴퓨팅을 위해 GPU을 프로그래밍하는 방법, 다양한 플랫폼을 사용하는 방법, CUDA 플랫폼 및 해당 기능을 사용하는 방법, CUDA를 사용하여 다양한 최적화 기술을 수행하는 방법을 다룹니다. . 일부 응용 프로그램에는 딥 러닝, 분석, 이미지 처리 및 엔지니어링 응용 프로그램이 포함됩니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 하드웨어 가속 개체 감지 및 추적 모델을 구축하여 스트리밍 비디오 데이터를 분석하려는 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 개발을 시작하는 데 필요한 개발 환경, 소프트웨어 및 라이브러리를 설치하고 구성합니다.
• 라이브 비디오 피드를 분석하기 위해 딥 러닝 모델을 구축, 교육 및 배포합니다.
• 비디오 프레임 내의 다양한 개체를 식별, 추적, 분할 및 예측합니다.
• 객체 감지 및 추적 모델을 최적화합니다.
• 지능형 비디오 분석(IVA) 애플리케이션을 배포합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 CUDA를 사용하여 NVIDIA GPU를 프로그래밍하고 병렬성을 활용하려는 초급 수준부터 중급 수준의 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• CUDA 툴킷, NVIDIA GPU 및 Visual Studio 코드가 포함된 개발 환경을 설정합니다.
• GPU에 벡터 추가를 수행하고 GPU 메모리에서 결과를 검색하는 기본 CUDA 프로그램을 만듭니다.
• CUDA API를 사용하여 장치 정보를 쿼리하고, 장치 메모리를 할당 및 할당 해제하고, 호스트와 장치 간에 데이터를 복사하고, 커널을 시작하고, 스레드를 동기화합니다.
• CUDA C/C++ 언어를 사용하여 GPU에서 실행되고 데이터를 조작하는 커널을 작성합니다.
• CUDA 내장 함수, 변수 및 라이브러리를 사용하여 일반적인 작업 및 작업을 수행합니다.
• 전역, 공유, 상수 및 로컬과 같은 CUDA 메모리 공간을 사용하여 데이터 전송 및 메모리 액세스를 최적화합니다.
• CUDA 실행 모델을 사용하여 병렬성을 정의하는 스레드, 블록 및 그리드를 제어합니다.
• CUDA-GDB, CUDA-MEMCHECK 및 NVIDIA Nsight와 같은 도구를 사용하여 CUDA 프로그램을 디버그하고 테스트합니다.
• 병합, 캐싱, 프리패치, 프로파일링과 같은 기술을 사용하여 CUDA 프로그램을 최적화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 GPU 프로그래밍을 위해 다양한 프레임워크를 사용하고 해당 프레임워크의 기능, 성능 및 호환성을 비교하려는 초급 수준부터 중급 수준의 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• OpenCL SDK, CUDA Toolkit, ROCm 플랫폼, OpenCL, CUDA 또는 ROCm을 지원하는 장치 및 Visual Studio 코드를 포함하는 개발 환경을 설정합니다.
• OpenCL, CUDA, ROCm을 사용하여 벡터 추가를 수행하는 기본 GPU 프로그램을 만들고 각 프레임워크의 구문, 구조 및 실행을 비교합니다.
• 해당 API를 사용하여 장치 정보를 쿼리하고, 장치 메모리를 할당 및 할당 해제하고, 호스트와 장치 간에 데이터를 복사하고, 커널을 시작하고, 스레드를 동기화합니다.
• 해당 언어를 사용하여 장치에서 실행되고 데이터를 조작하는 커널을 작성합니다.
• 각각의 내장 함수, 변수 및 라이브러리를 사용하여 일반적인 작업 및 작업을 수행합니다.
• 글로벌, 로컬, 상수, 프라이빗 등 각 메모리 공간을 사용하여 데이터 전송 및 메모리 액세스를 최적화합니다.
• 해당 실행 모델을 사용하여 병렬성을 정의하는 스레드, 블록 및 그리드를 제어합니다.
• CodeXL, CUDA-GDB, CUDA-MEMCHECK 및 NVIDIA Nsight와 같은 도구를 사용하여 GPU 프로그램을 디버그하고 테스트합니다.
• 병합, 캐싱, 프리패치 및 프로파일링과 같은 기술을 사용하여 GPU 프로그램을 최적화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 ROCm 및 HIP를 사용하여 AMD GPU을 프로그래밍하고 병렬성을 활용하려는 초급부터 중급 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• ROCm 플랫폼, AMD GPU 및 Visual Studio 코드를 포함하는 개발 환경을 설정합니다.
• GPU에 벡터 추가를 수행하고 GPU 메모리에서 결과를 검색하는 기본 ROCm 프로그램을 만듭니다.
• ROCm API를 사용하여 장치 정보를 쿼리하고, 장치 메모리를 할당 및 할당 해제하고, 호스트와 장치 간에 데이터를 복사하고, 커널을 시작하고, 스레드를 동기화합니다.
• HIP 언어를 사용하여 GPU에서 실행되고 데이터를 조작하는 커널을 작성합니다.
• HIP 내장 함수, 변수 및 라이브러리를 사용하여 일반적인 작업 및 작업을 수행합니다.
• 글로벌, 공유, 상수 및 로컬과 같은 ROCm 및 HIP 메모리 공간을 사용하여 데이터 전송 및 메모리 액세스를 최적화합니다.
• ROCm 및 HIP 실행 모델을 사용하여 병렬성을 정의하는 스레드, 블록 및 그리드를 제어합니다.
• ROCm 디버거 및 ROCm 프로파일러와 같은 도구를 사용하여 ROCm 및 HIP 프로그램을 디버그하고 테스트합니다.
• 병합, 캐싱, 프리패치, 프로파일링과 같은 기술을 사용하여 ROCm 및 HIP 프로그램을 최적화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Windows에 ROCm을 설치 및 사용하여 AMD GPU을 프로그래밍하고 병렬성을 활용하려는 초급 수준부터 중급 수준의 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Windows에서 ROCm 플랫폼, AMD GPU 및 Visual Studio 코드를 포함하는 개발 환경을 설정합니다.
• GPU에 벡터 추가를 수행하고 GPU 메모리에서 결과를 검색하는 기본 ROCm 프로그램을 만듭니다.
• ROCm API를 사용하여 장치 정보를 쿼리하고, 장치 메모리를 할당 및 할당 해제하고, 호스트와 장치 간에 데이터를 복사하고, 커널을 시작하고, 스레드를 동기화합니다.
• HIP 언어를 사용하여 GPU에서 실행되고 데이터를 조작하는 커널을 작성합니다.
• HIP 내장 함수, 변수 및 라이브러리를 사용하여 일반적인 작업 및 작업을 수행합니다.
• 글로벌, 공유, 상수 및 로컬과 같은 ROCm 및 HIP 메모리 공간을 사용하여 데이터 전송 및 메모리 액세스를 최적화합니다.
• ROCm 및 HIP 실행 모델을 사용하여 병렬성을 정의하는 스레드, 블록 및 그리드를 제어합니다.
• ROCm 디버거 및 ROCm 프로파일러와 같은 도구를 사용하여 ROCm 및 HIP 프로그램을 디버그하고 테스트합니다.
• 병합, 캐싱, 프리패치, 프로파일링과 같은 기술을 사용하여 ROCm 및 HIP 프로그램을 최적화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 GPU 프로그래밍의 기본 사항과 GPU 애플리케이션 개발을 위한 주요 프레임워크 및 도구를 배우고자 하는 초급 수준부터 중급 수준의 개발자를 대상으로 합니다. .

• 이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.
  CPU와 GPU 컴퓨팅의 차이점과 GPU 프로그래밍의 이점과 과제를 이해합니다.
• GPU 애플리케이션에 적합한 프레임워크와 도구를 선택하세요.
• 하나 이상의 프레임워크와 도구를 사용하여 벡터 추가를 수행하는 기본 GPU 프로그램을 만듭니다.
• 해당 API, 언어 및 라이브러리를 사용하여 장치 정보를 쿼리하고, 장치 메모리를 할당 및 할당 해제하고, 호스트와 장치 간에 데이터를 복사하고, 커널을 시작하고, 스레드를 동기화합니다.
• 글로벌, 로컬, 상수, 프라이빗 등 각 메모리 공간을 사용하여 데이터 전송 및 메모리 액세스를 최적화합니다.
• 작업 항목, 작업 그룹, 스레드, 블록, 그리드 등 해당 실행 모델을 사용하여 병렬성을 제어합니다.
• CodeXL, CUDA-GDB, CUDA-MEMCHECK 및 NVIDIA Nsight와 같은 도구를 사용하여 GPU 프로그램을 디버그하고 테스트합니다.
• 병합, 캐싱, 프리패치 및 프로파일링과 같은 기술을 사용하여 GPU 프로그램을 최적화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 OpenACC를 사용하여 이기종 장치를 프로그래밍하고 병렬성을 활용하려는 초급부터 중급 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• OpenACC를 지원하는 디바이스인 OpenACC SDK와 Visual Studio 코드가 포함된 개발 환경을 설정합니다.
• 장치에서 벡터 추가를 수행하고 장치 메모리에서 결과를 검색하는 기본 OpenACC 프로그램을 만듭니다.
• OpenACC 지시문과 절을 사용하여 코드에 주석을 달고 병렬 영역, 데이터 이동 및 최적화 옵션을 지정합니다.
• OpenACC API를 사용하여 장치 정보를 쿼리하고, 장치 번호를 설정하고, 오류를 처리하고, 이벤트를 동기화합니다.
• OpenACC 라이브러리 및 상호 운용성 기능을 사용하여 OpenACC를 CUDA, OpenMP 및 MPI와 같은 다른 프로그래밍 모델과 통합합니다.
• OpenACC 도구를 사용하여 OpenACC 프로그램을 프로파일링 및 디버그하고 성능 병목 현상과 기회를 식별합니다.
• 데이터 지역성, 루프 융합, 커널 융합, 자동 조정 등의 기술을 사용하여 OpenACC 프로그램을 최적화합니다.