GPU Training in Jakarta

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to use OpenACC to program heterogeneous devices and exploit their parallelism.

By the end of this training, participants will be able to:

• Set up an OpenACC development environment.
• Write and run a basic OpenACC program.
• Annotate code with OpenACC directives and clauses.
• Use OpenACC API and libraries.
• Profile, debug, and optimize OpenACC programs.

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to learn the basics of GPU programming and the main frameworks and tools for developing GPU applications.

• By the end of this training, participants will be able to:
  Understand the difference between CPU and GPU computing and the benefits and challenges of GPU programming.
• Choose the right framework and tool for their GPU application.
• Create a basic GPU program that performs vector addition using one or more of the frameworks and tools.
• Use the respective APIs, languages, and libraries to query device information, allocate and deallocate device memory, copy data between host and device, launch kernels, and synchronize threads.
• Use the respective memory spaces, such as global, local, constant, and private, to optimize data transfers and memory accesses.
• Use the respective execution models, such as work-items, work-groups, threads, blocks, and grids, to control the parallelism.
• Debug and test GPU programs using tools such as CodeXL, CUDA-GDB, CUDA-MEMCHECK, and NVIDIA Nsight.
• Optimize GPU programs using techniques such as coalescing, caching, prefetching, and profiling.

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to use different frameworks for GPU programming and compare their features, performance, and compatibility.

By the end of this training, participants will be able to:

• Set up a development environment that includes OpenCL SDK, CUDA Toolkit, ROCm Platform, a device that supports OpenCL, CUDA, or ROCm, and Visual Studio Code.
• Create a basic GPU program that performs vector addition using OpenCL, CUDA, and ROCm, and compare the syntax, structure, and execution of each framework.
• Use the respective APIs to query device information, allocate and deallocate device memory, copy data between host and device, launch kernels, and synchronize threads.
• Use the respective languages to write kernels that execute on the device and manipulate data.
• Use the respective built-in functions, variables, and libraries to perform common tasks and operations.
• Use the respective memory spaces, such as global, local, constant, and private, to optimize data transfers and memory accesses.
• Use the respective execution models to control the threads, blocks, and grids that define the parallelism.
• Debug and test GPU programs using tools such as CodeXL, CUDA-GDB, CUDA-MEMCHECK, and NVIDIA Nsight.
• Optimize GPU programs using techniques such as coalescing, caching, prefetching, and profiling.

CloudMatrix adalah platform pengembangan dan penyebaran AI terpadu dari Huawei yang dirancang untuk mendukung pipa inferensi skala besar dan siap produksi.

Pelatihan langsung ini (daring atau di lokasi) ditujukan bagi profesional AI level pemula hingga menengah yang ingin menyebarkan dan memantau model AI menggunakan platform CloudMatrix dengan integrasi CANN dan MindSpore.

Setelah selesai pelatihan ini, peserta akan dapat:

• Menggunakan CloudMatrix untuk penyediaan model, penyebaran, dan pelayanan.
• Mengonversi dan mengoptimalkan model untuk chip Ascend.
• Menyiapkan pipa untuk tugas inferensi real-time dan batch.
• Mempantau penyebaran dan menyesuaikan kinerja dalam pengaturan produksi.

Format Kursus

• Lecture interaktif dan diskusi.
• Penggunaan praktis CloudMatrix dengan skenario penyebaran nyata.
• Latihan terarah yang difokuskan pada konversi, optimasi, dan skalabilitas.

Opsi Kustomisasi Kursus

• Untuk meminta pelatihan khusus berdasarkan infrastruktur AI atau lingkungan awan Anda, silakan hubungi kami untuk mengatur.

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to install and use ROCm on Windows to program AMD GPUs and exploit their parallelism.

By the end of this training, participants will be able to:

• Set up a development environment that includes ROCm Platform, a AMD GPU, and Visual Studio Code on Windows.
• Create a basic ROCm program that performs vector addition on the GPU and retrieves the results from the GPU memory.
• Use ROCm API to query device information, allocate and deallocate device memory, copy data between host and device, launch kernels, and synchronize threads.
• Use HIP language to write kernels that execute on the GPU and manipulate data.
• Use HIP built-in functions, variables, and libraries to perform common tasks and operations.
• Use ROCm and HIP memory spaces, such as global, shared, constant, and local, to optimize data transfers and memory accesses.
• Use ROCm and HIP execution models to control the threads, blocks, and grids that define the parallelism.
• Debug and test ROCm and HIP programs using tools such as ROCm Debugger and ROCm Profiler.
• Optimize ROCm and HIP programs using techniques such as coalescing, caching, prefetching, and profiling.

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to use ROCm and HIP to program AMD GPUs and exploit their parallelism.

By the end of this training, participants will be able to:

• Set up a development environment that includes ROCm Platform, a AMD GPU, and Visual Studio Code.
• Create a basic ROCm program that performs vector addition on the GPU and retrieves the results from the GPU memory.
• Use ROCm API to query device information, allocate and deallocate device memory, copy data between host and device, launch kernels, and synchronize threads.
• Use HIP language to write kernels that execute on the GPU and manipulate data.
• Use HIP built-in functions, variables, and libraries to perform common tasks and operations.
• Use ROCm and HIP memory spaces, such as global, shared, constant, and local, to optimize data transfers and memory accesses.
• Use ROCm and HIP execution models to control the threads, blocks, and grids that define the parallelism.
• Debug and test ROCm and HIP programs using tools such as ROCm Debugger and ROCm Profiler.
• Optimize ROCm and HIP programs using techniques such as coalescing, caching, prefetching, and profiling.

Ascend, Biren, dan Cambricon adalah platform hardware AI terkemuka di China, masing-masing menawarkan alat pengoptimalan dan pemrofilan unik untuk beban kerja AI skala produksi.

Pelatihan langsung ini (daring atau tatap muka) ditujukan bagi insinyur infrastruktur AI tingkat lanjut dan peningkatan kinerja yang ingin mengoptimalkan aliran kerja inferensi model dan pelatihan di beberapa platform chip AI China.

Setelah selesai, peserta akan dapat:

• Menjalankan benchmark model pada platform Ascend, Biren, dan Cambricon.
• Mengidentifikasi botleneck sistem dan ketidakefisienan memori/perhitungan.
• Menerapkan optimasi tingkat grafik, kernel, dan operator.
• Mempersiapkan pipa_deployemen untuk meningkatkan throughput dan latensi.

Format Kursus

• Ledakan interaktif dan diskusi.
• Penggunaan praktis alat pemrofilan dan pengoptimalan di setiap platform.
• Melakukan latihan yang difokuskan pada skenario penyetelan praktis.

Opsi Personalisasi Kursus

• Untuk meminta pelatihan terpersonalisasi berdasarkan lingkungan kinerja atau jenis model Anda, silakan hubungi kami untuk mengatur.

Arsitektur GPU China seperti Huawei Ascend, Biren, dan Cambricon MLUs menawarkan alternatif CUDA yang disesuaikan untuk pasar AI dan HPC lokal.

Pelatihan langsung ini (daring atau tatap muka) ditujukan bagi programmer tingkat lanjut dan spesialis infrastruktur GPU yang ingin mengalihkan dan memperbaiki aplikasi CUDA yang ada untuk diimplementasikan pada platform perangkat keras China.

Selesai melalui pelatihan ini, peserta akan dapat:

• Mengevaluasi kompatibilitas beban kerja CUDA yang ada dengan alternatif chip China.
• Mengalihkan basis kode CUDA ke lingkungan Huawei CANN, Biren SDK, dan Cambricon BANGPy.
• Membandingkan kinerja dan mengidentifikasi titik optimasi di berbagai platform.
• Mengatasi tantangan praktis dalam dukungan silang-arsitektur dan implementasi.

Bentuk Kursus

• Lektur interaktif dan diskusi.
• Laboratorium praktik alih kode dan perbandingan kinerja.
• Latihan terarah yang fokus pada strategi adaptasi multi-GPU.

Opsi Kustomisasi Kursus

• Untuk meminta pelatihan khusus untuk kursus ini berdasarkan platform atau proyek CUDA Anda, silakan hubungi kami untuk mengatur.

Pelatihan langsung yang dipandu instruktur di Jakarta (online atau di tempat) ini ditujukan untuk pengembang tingkat pemula hingga menengah yang ingin menggunakan CUDA untuk memprogram NVIDIA GPU dan memanfaatkan paralelismenya.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang mencakup CUDA Toolkit, NVIDIA GPU, dan Visual Studio Code.
• Buat program CUDA dasar yang melakukan penjumlahan vektor pada GPU dan mengambil hasilnya dari memori GPU.
• Gunakan CUDA API untuk menanyakan informasi perangkat, mengalokasikan dan membatalkan alokasi memori perangkat, menyalin data antara host dan perangkat, meluncurkan kernel, dan menyinkronkan thread.
• Gunakan bahasa CUDA C/C++ untuk menulis kernel yang dieksekusi pada GPU dan memanipulasi data.
• Gunakan fungsi, variabel, dan pustaka bawaan CUDA untuk melakukan tugas dan operasi umum.
• Gunakan ruang memori CUDA, seperti global, bersama, konstan, dan lokal, untuk mengoptimalkan transfer data dan akses memori.
• Gunakan model eksekusi CUDA untuk mengendalikan thread, blok, dan grid yang menentukan paralelisme.
• Debug dan uji program CUDA menggunakan alat seperti CUDA-GDB, CUDA-MEMCHECK, dan NVIDIA Nsight.
• Optimalkan program CUDA menggunakan teknik seperti penggabungan, caching, prefetching, dan pembuatan profil.

97% kepuasan klien.

Huawei Ascend adalah keluarga prosesor AI yang dirancang untuk inferensi dan pelatihan berkinerja tinggi.

Latihan langsung ini (daring atau di lokasi) ditujukan bagi insinyur AI tingkat menengah dan ilmuwan data yang ingin mengembangkan dan memperbaiki model jaringan saraf menggunakan platform Ascend Huawei dan toolkit CANN.

Selesai latihan ini, peserta akan dapat:

• Mengatur dan konfigurasi lingkungan pengembangan CANN.
• Mengembangkan aplikasi AI menggunakan MindSpore dan aliran kerja CloudMatrix.
• Memaksimalkan kinerja pada Ascend NPU dengan operator kustom dan tiling.
• Mendeploy model ke lingkungan tepi atau cloud.

Format Kursus

• Lecture interaktif dan diskusi.
• Penggunaan langsung Huawei Ascend dan toolkit CANN dalam aplikasi contoh.
• Latihan terarah yang fokus pada pembangunan model, pelatihan, dan deploy.

Opsi Kustomisasi Kursus

• Jika Anda ingin meminta latihan khusus untuk kursus ini berdasarkan infrastruktur atau dataset Anda, silakan hubungi kami untuk mengatur.

Biren AI Accelerators are high-performance GPUs designed for AI and HPC workloads with support for large-scale training and inference.

This instructor-led, live training (online or onsite) is aimed at intermediate-level to advanced-level developers who wish to program and optimize applications using Biren’s proprietary GPU stack, with practical comparisons to CUDA-based environments.

By the end of this training, participants will be able to:

• Understand Biren GPU architecture and memory hierarchy.
• Set up the development environment and use Biren’s programming model.
• Translate and optimize CUDA-style code for Biren platforms.
• Apply performance tuning and debugging techniques.

Format of the Course

• Interactive lecture and discussion.
• Hands-on use of Biren SDK in sample GPU workloads.
• Guided exercises focused on porting and performance tuning.

Course Customization Options

• To request a customized training for this course based on your application stack or integration needs, please contact us to arrange.

Cambricon MLUs (Machine Learning Unit) adalah chip AI khusus yang dioptimalkan untuk inferensi dan pelatihan dalam skenario edge dan data center.

Pelatihan langsung ini (daring atau di tempat) ditujukan bagi pengembang tingkat menengah yang ingin membangun dan mendeploy model AI menggunakan kerangka kerja BANGPy dan SDK Neuware pada hardware Cambricon MLU.

Selesai pelatihan ini, peserta akan dapat:

• Mengatur dan mengonfigurasi lingkungan pengembangan BANGPy dan Neuware.
• Mengembangkan dan memperbaiki model berbasis Python dan C++ untuk Cambricon MLUs.
• Deploy model ke perangkat edge dan data center yang menjalankan runtime Neuware.
• Mengintegrasikan alur kerja ML dengan fitur percepatan khusus MLU.

Format Kursus

• Lecture interaktif dan diskusi.
• Penggunaan langsung BANGPy dan Neuware untuk pengembangan dan deploy.
• Latihan yang dipandu dengan fokus pada optimasi, integrasi, dan pengujian.

Opsi Kustomisasi Kursus

• Untuk meminta pelatihan khusus berdasarkan model perangkat Cambricon atau kasus penggunaan Anda, silakan hubungi kami untuk mengatur.

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level system administrators and IT professionals who wish to install, configure, manage, and troubleshoot CUDA environments.

By the end of this training, participants will be able to:

• Understand the architecture, components, and capabilities of CUDA.
• Install and configure CUDA environments.
• Manage and optimize CUDA resources.
• Debug and troubleshoot common CUDA issues.

This instructor-led, live training in Jakarta (online or onsite) is aimed at beginner-level to intermediate-level developers who wish to use OpenCL to program heterogeneous devices and exploit their parallelism.

By the end of this training, participants will be able to:

• Set up a development environment that includes OpenCL SDK, a device that supports OpenCL, and Visual Studio Code.
• Create a basic OpenCL program that performs vector addition on the device and retrieves the results from the device memory.
• Use OpenCL API to query device information, create contexts, command queues, buffers, kernels, and events.
• Use OpenCL C language to write kernels that execute on the device and manipulate data.
• Use OpenCL built-in functions, extensions, and libraries to perform common tasks and operations.
• Use OpenCL host and device memory models to optimize data transfers and memory accesses.
• Use OpenCL execution model to control the work-items, work-groups, and ND-ranges.
• Debug and test OpenCL programs using tools such as CodeXL, Intel VTune, and NVIDIA Nsight.
• Optimize OpenCL programs using techniques such as vectorization, loop unrolling, local memory, and profiling.

Pelatihan langsung dengan instruktur di Jakarta (online atau di lokasi) ini ditujukan untuk pengembang tingkat menengah yang ingin menggunakan CUDA untuk membangun aplikasi Python yang berjalan secara paralel di NVIDIA GPU.

Pada akhir pelatihan ini, peserta akan mampu:

• Menggunakan compiler Numba untuk mempercepat aplikasi Python yang berjalan pada NVIDIA GPU.
• Membuat, mengkompilasi, dan meluncurkan kernel CUDA khusus.
• Mengelola memori GPU.
• Mengubah aplikasi berbasis CPU menjadi aplikasi yang dipercepat oleh GPU.

This instructor-led, live training course in Jakarta covers how to program GPUs for parallel computing, how to use various platforms, how to work with the CUDA platform and its features, and how to perform various optimization techniques using CUDA. Some of the applications include deep learning, analytics, image processing and engineering applications.