Python 3.x - Accelerated Computing mit GPU, CUDA, ROCm - Schulung (4 Tage)

Kurzbeschreibung

In diesem Python-Seminar erhalten Programmierer einen Leitfaden für den Einstieg in das GPU-Computing. Es beginnt mit der Einführung des GPU-Computing und erläutert die Architektur und Programmiermodelle für GPUs. Die Teilnehmer lernen anhand eines Projektes, wie sie die GPU-Programmierung mit Python realisieren und dabei Frameworks wie PyCUDA, PyOpenCL für Aufgaben wie maschinelles Lernen und Data Mining einsetzen können. Die behandelten Themen umfassen u.a. den Entwurf einer GPU-Strategie, die Einrichtung einer Plattform, die Basics der GPIU-Programmierung, das Arbeiten mit Anaconda, CuPy und Numba.

Voraussetzungen

• keine

Seminarinhalt

Einführung in GPU (General Purpose Computation)-Computing
• Die Bedeutung und Funktionalität von GPU
• RISC, dedizierter RAM, multipiplined multisymetrische Architekturen
• Die Entstehung des vollwertigen GPU-Computing
• Die Einfachheit des Python Codes und die Leistung der GPUs
• Das Stärken der GPU Wissenschaft und KI in der heutigen Zeit
• Der CUDA-Ansatz

Entwurf einer GPU Computing Strategie
• Erste Schritte mit der Hardware
• Erstellung eines ersten GPU-fähigen Parallelcomputers - Mindestsystemanforderungen
• Überlegungen zur Flüssigkeitskühlung
• Marken-GPU-fähige PCs
• "Do it Yourself", Warum nicht? (DIY)
• Einstiegsklasse vs. Mittelklasse vs. High-End-Klasse

Einrichtung einer GPU Computing Plattform mit NVIDIA / AMD
• GPU Hersteller
• Computing auf NVIDIA-GPUs
• Computing auf AMD APUs und GPUs
• Ein Leitfaden für Enthusiasten zur GPU-Computerhardware

Grundlagen der GPU-Programmierung
• Grundlagen der GPU-Programmierung
• GPU-programmierbare Plattformen
• Grundlegende CUDA-Konzepte
• Grundlegende ROCm-Konzepte
• Die Anaconda Python Distribution für die Paketverwaltung und -bereitstellung
• GPU-fähige Python-Programmierung

Einrichtung einer Umgebung für die GPU-Programmierung
• Einrichtung einer Umgebung für die GPU-Programmierung
• Auswahl einer geeigneten IDE für Ihren Python-Code
• Installation von Jupyter Notebook und Jupyter Lab

Arbeiten mit CUDA und PyCUDA
• Einführung von CUDA und PyCUDA
• Technische Anforderungen
• Funktionalität von CUDA- und C ++ -Bindung
• Installation von PyCUDA in einer CUDA-Umgebung
• Konfiguration von PyCUDA auf Ihrer Python-IDE
• Das Rechnen in PyCUDA
• Vergleich von PyCUDA mit CUDA
• Schreiben der ersten PyCUDA-Programme
• Computergestützte Problemlösung

Arbeiten mit ROCm und PyOpenCL
• Einführung von ROCm und PyOpenCL
• Technische Anforderungen
• Funktionsweise von ROCm C / C ++ mit Hipify, HIP und OpenCL
• Installation von PyOpenCL für Python (AMD und NVIDIA)
• Konfiguration von PyOpenCL auf Ihrer Python-IDE
• Funktionsweise des Rechnens in PyOpenCL unter Python
• Vergleich von PyOpenCL mit HIP und OpenCL
• Schreiben der ersten PyOpenCL-Programme

Arbeiten mit Anaconda, CuPy und Numba für GPUs
• Anaconda
• Arbeitsweise von Anaconda mit CuPy und Numba
• Installation von CuPy und Numba für Python in der Anaconda-Umgebung
• Funktionsweise des Rechnens in CuPy unter Python
• Funktionsweise des Rechnens in Numba unter Python
• Schreiben der ersten CuPy- und Numba-fähigen beschleunigten Programme
• Interoperabilität zwischen CuPy und Numba

Vergleich aller Technologien
• Vergleich von CuPy mit NumPy und CUDA
• Vergleich von Numba mit NumPy, ROCm und CUDA

Containerisierung auf GPU-fähigen Plattformen
• Der Nutzen der Containerisierung auf GPU-fähigen Plattformen
• Programmierbare Umgebungen
• Systemweite (offene) Umgebungen
• Virtuelle (geschlossene) Umgebungen
• Virtualisierung
• Lokale Container
• Cloud Container

Beschleunigtes maschinelles Lernen auf GPUs
• Maschinelles Lernen für beschleunigtes Computing
• Die Bedeutung von Python in der KI
• Erkundung von Schulungsmodulen für maschinelles Lernen
• Einführung von Frameworks für maschinelles Lernen TensorFlow & PyTorch
• Installation von TensorFlow und PyTorch für GPUs
• Konfiguration der Google Colab-Unterstützung
• Maschinelles Lernen mit TensorFlow und PyTorch
• Schreiben der ersten GPU-beschleunigten maschinellen Lernprogramme

GPU-Beschleunigung mit DeepChem
• GPU-Beschleunigung für wissenschaftliche Anwendungen mit DeepChem
• Entschlüsselung wissenschaftlicher Konzepte für DeepChem
• Mehrere Möglichkeiten zur Installation von DeepChem
• Test eines Beispiels aus dem DeepChem-Repository

Zielgruppen

• Python- und C++-Programmierer

Preise und Termine

Software

python3, pip, pyenv, atom, vscode,

Verwandte Schulungen

Python 3.8 - Einführung mit PyCharm - SchulungPython 3.8 - Einführung mit Eclipse PyDev - SchulungPython 3.8 - Einführung mit Visual Studio Code - Schulung

Seminarsprache

die Seminarsprache ist deutsch, sofern keine andere Angabe. Englisch ist in aller Regel machbar, andere Seminarsprachen sind möglich, fragen Sie bitte an.