세계에서 가장 어려운 문제를 해결하도록 교육을 제공합니다.
NVIDIA DLI(Deep Learning Institute)는 AI, 가속 컴퓨팅, 가속 데이터 사이언스 분야의 핸즈온 세션을 제공합니다. 개발자, 데이터 사이언티스트, 연구원, 그리고 학생들은 클라우드를 통해 GPU 기반 딥 러닝 기술을 직접 배울 수 있고 이렇게 얻은 전문적 지식을 입증할 수 있는 인증서도 받을 수 있습니다. DLI는 집에서도 혼자 수강할 수 있는 온라인 교육과 조직이나 팀을 위한 NVIDIA 딥 러닝 전문가 주도의 오프라인 워크샵, 그리고 대학 교육자들에게 다운로드 가능한 강의 자료를 제공합니다.
자가 학습자에게는 DLI 온라인 교육을 권장하며, 소규모 팀에게는 파트너를 통한 온라인 과정을 권장합니다. DLI를 통해 클라우드에서 완전히 구성된 GPU 가속화 서버에 액세스할 수 있고, 진행하고 있는 연구에 실제 적용할 수 있는 기술을 취득하고, 관련 역량에 대한 인증서를 받을 수 있습니다.
성능 및 기능을 개선하기 위해 신경망을 학습하고 결과를 이용하면서 딥 러닝의 기초적인 내용을 살펴봅니다.
설치: 함수 및 변수와 같은 기본 프로그래밍 기초에 대한 지식
기술: Caffe, DIGITS
진행시간: 8시간
가격: $90 (부가세 제외)
이제 NVIDIA Jetson Nano 개발자 키트로 제작자, 독학 개발자 및 임베디드 기술 애호가들에게 어디에서나 AI의 성능을 제공합니다. 사용이 간편한 강력한 이 컴퓨터를 사용하면 이미지 분류, 개체 감지, 세분화 및 음성 처리 등의 애플리케이션에서 다수의 신경망을 병렬로 실행할 수 있습니다. 이 과정에서는 Jetson Nano에서 Jupyter iPython Notebook을 사용하여 컴퓨터 비전 모델로 딥 러닝 분류 프로젝트를 구축할 수도 있습니다.
설치: Python에 대한 지식(유용, 필수 아님)
기술: PyTorch, Jetson Nano
가격: 무료
딥 러닝은 일반 코딩 방법을 사례 기반의 학습으로 제작된 모델로 대체하여 전적으로 새로운 솔루션을 가능하게 합니다. 다음을 통해 심층 신경망을 교육하여 수기 문자를 인식합니다.
설치: 없음
기술: Caffe(DIGITS 인터페이스 포함)
진행시간: 2시간
가격: $30 (부가세 제외)
처음에 Uber가 제작하고 LF AI Foundation이 호스팅한 오픈 소스 분산 트레이닝 프레임워크인 Horovod를 사용하여 딥 러닝 트레이닝을 멀티 GPU로 확장하는 방법을 알아보십시오. 과정 학습 내용
설치: Python에 대한 역량 및 딥 러닝 모델 트레이닝의 전문 경험
기술: Horovod, TensorFlow, Keras, Python
이미지(또는 의미론적) 세분화는 이미지의 각 픽셀을 특정 클래스로 배치하는 작업입니다. 다음을 통해 MRI 이미지를 세분화하여 심장의 각 부분을 측정하는 방법을 배웁니다.
설치: 신경망에 대한 기본적인 경험
기술: TensorFlow
회귀 신경망(RNN)을 이용하여 모델을 통해 자연 언어, 시장, 시간 경과에 따른 환자의 건강과 같은 시계열 데이터를 분류 또는 예측할 수 있습니다.
설치: 딥 러닝에 대한 기본적인 경험
기술: Keras
특이한 시각적 특징을 추출함으로써 한 이미지의 외관과 느낌을 다른 이미지로 전달하는 방법을 탐색합니다. 기능 추출을 위해 나선형 신경망(CNN)이 사용되는 방법과 이러한 기능이 새 이미지를 생성하는 생성자에 제공되는 방법을 확인하십시오.
설치: CNN에 대한 경험
오토인코더를 통해 신경망의 힘을 활용하여 저품질 원본 이미지로 고품질 이미지를 만드십시오. 단축 과정 학습 내용:
방사선학 및 의료 영상 딥 러닝에 대한 실용적인 핸즈온 입문 과정을 확인하십시오.
기술: DIGITS
Mayo Clinic에서 실시 중인 연구 덕분에 딥 러닝 기술을 사용하여 MRI 이미지에서 레디오믹을 감지함으로써 뇌종양 환자를 더 효과적으로 치료하고 더 좋은 결과를 제공할 수 있게 되었습니다. 다음을 통해 1p19q 공동 삭제 바이오마커를 감지하는 방법을 배웁니다.
설치: CNN 및 Python에 대한 기본적인 경험
GAN(Generative Adversarial Network)은 제공된 트레이닝 데이터에 기반하여 새로운 예제를 생성하는 생성자와, 원본 데이터와 시뮬레이션된 데이터를 구분하려 시도하는 판별자로 이루어진 한 쌍의 심층 신경망입니다. 두 네트워크가 함께 성장함에 따라 생성되는 예시는 점점 더 현실적으로 변할 것입니다. 이 기술은 기존 네트워크의 트레이닝을 위한 규모가 작은 데이터 세트를 증강할 수 있으므로 의료 분야에서 전도유망합니다.
CFCM은 매우 심층적인 아키텍처를 사용하고 서로 다른 많은 스케일의 기능을 나선형의 LSTM(Long short-term memory)과 통합하는 이미지 세분화를 위해 개발된 기술입니다.
DeepStream 3.0 프레임워크에는 인텔리전트 비디오 분석(IVA) 애플리케이션의 하드웨어 가속화된 빌딩 블록이 포함됩니다. 그래서 개발자는 핵심 딥 러닝 네트워크 구축에 집중할 수 있습니다. DeepStream SDK는 다양한 사용 사례를 실증하며 배포 미디어에 유연성을 제공합니다. 설치: C++ 및 Gstreamer에 대한 경험
기술: DeepStream3
객체 탐지와 분류 네트워크를 사용한 영상 스트림에 주석을 달수 있는 DeepStream 에플리케이션 구축 방법
전제조건: C에 대한 기본 지식
기술: DeepStream, TensorRT, Jetson Nano
기간: 8 시간; 온라인 교육
기존 C/C++ CPU 전용 애플리케이션을 가속하고 최적화하여 가장 필수적인 CUDA 기술과 Nsight 시스템 프로파일러를 사용하여 GPU의 성능을 활용하는 방법을 알아보세요.
설치: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 기본 C/C++ 능력 CUDA 프로그래밍 지식은 필요하지 않습니다.
기술: 코드 기반
이 과정에서는 적시 생산형의 유형 특화 Python 함수 컴파일러인 Numba를 사용하여 초병렬 NVIDIA GPU에서 Python 프로그램을 가속화하는 방법을 알아봅니다.
설치: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 기본 Python 능력 ndarrays 및 ufuncs 사용을 포함하는 NumPy 능력. CUDA 프로그래밍 지식은 필요하지 않습니다.
단일 노드에서 사용 가능한 모든 GPU를 활용할 수 있는 강력하고 효율적인 CUDA C++ 애플리케이션을 구축하는 방법에 대해 알아보세요
전제 조건: CUDA C/C++로 애플리켕션 작성 역량
도구, 라이브러리, 프레임워크: C, C++
진행 시간: 4시간
언어: 영어
비용: $30 (부과세 별도)
GPU의 연산에 GPU와 GPU 간 메모리 전송을 겹쳐서 CUDA C/C+++ 애플리케이션의 성능을 향상시키는 방법에 대해 알아보세요.
전제 조건: CUDA C/C++로 애플리케이션 작성 역량
GPU에서의 프로그래밍을 위해 높은 수준의 프로그래밍 언어인 OpenACC의 기초를 배웁니다. 이 과정은 C/C++에 대한 경험이 약간 있으며 CPU 전용 프로그래밍의 한계를 넘어선 애플리케이션 성능 가속화에 관심이 있는 모든 사람들 위한 것입니다.
설치: C/C++에 대한 기본적인 경험
기술: OpenACC, C/C++
비용: $90 (부가세 제외)
고성능 컴퓨팅(HPC) 애플리케이션 개발을 위해 컨테이너화된 환경을 사용하여 코드의 복잡성을 줄이고 이동성 및 효율성을 개선하는 방법을 알아보십시오.
설치: C/C++의 능숙한 프로그래밍 및 HPC 애플리케이션에 대한 전문 경험
기술: Docker, Singularity, HPCCM, C/C++
OpenACC를 이용해 C/C++ 또는 Fortran 애플리케이션을 가속화함으로써 초병렬 NVIDIA GPU의 성능을 활용하는 방법을 배웁니다. OpenACC는 가속기 코드를 직접 작성하는 대신 코드를 가속화하기 위해 컴파일러 힌트를 제공하는 지침 기반 컴퓨팅 접근 방법입니다. OpenACC를 이용해 애플리케이션을 가속화하기 위한 4단계 프로세스를 지금 시작하십시오.
기술: 영어
RAPIDS는 데이터 사이언스 워크플로우를 위한 엔드투엔드 GPU 가속을 지원하는 데이터 사이언스 라이브러리입니다. 본 교육 과정에서는 다음과 같은 실습을 진행하게 됩니다.
설치: 이상적으로 Python와 NumPy를 포함한 Python 경험
기술: RAPIDS, NumPy, XGBoost, DBSCAN, K-Means, SSSP, Python
진행시간: 6 시간
오픈소스 RAPIDS 프로젝트를 통해 과학자는 처음부터 끝까지 데이터 과학 및 데이터 분석 애플리케이션을 GPU 가속할 수 있습니다. 그래서 CPU만 활용하는 기존 워크플로우로는 불가능한 크게 향상된 성능 이점과 기술의 가능성을 실현할 수 있습니다.
설치: Pandas, NumPy 및 scikit-learn에 대한 고급 역량
기술: RAPIDS, cuDF, cuML, XGBoost
AI, GPU 컴퓨팅, NVIDIA AI 소프트웨어 아키텍처에 대한 소개와 데이터 센터에서 AI 워크로드를 구현하고 확장하는 방법을 살펴보십시오. AI가 사회를 어떻게 변화시키고 있는지, 그리고 이러한 변화를 촉진하기 위해 GPU 컴퓨팅을 어떻게 데이터 센터에 배포하는지에 대해서도 소개합니다.
설치: 엔터프라이즈 네트워킹, 스토리지 및 데이터 센터 운영에 대한 기본 지식
기술: 인공지능, 머신러닝, 딥 러닝, GPU 하드웨어와 소프트웨어
진행시간: 4 시간
DLI는 최고의 교육 기관과의 협력을 통해 전 세계의 개발자 및 데이터 과학자들로 딥 러닝 교육의 범위를 확장하고 있습니다.
딥 러닝 핸즈온 교육에 관심이 있는 조직 또는 개별 학습자의 경우 DLI 인증 전문가가 진행하는 1일 워크샵 수강을 권장합니다. 조직을 위한 1일 오프라인 워크샵 혹은 온라인 교육을 요청할 수 있습니다. DLI를 통해 클라우드 내 완전히 구성된 GPU 가속 서버에 액세스할 수 있고, 진행하고 있는 연구에 실제 적용할 수 있는 최신 기술을 배우고, 이를 입증할 수 있는 인증서를 받을 수 있습니다.
전 세계의 비즈니스에서는 인공지능(AI)을 사용하여 가장 중대한 문제를 해결하고 있습니다. 헬스케어 전문가는 AI를 사용해 환자의 상태를 더 정확하고 빠르게 진단할 수 있습니다. 소매 비즈니스에서는 AI를 사용해 맞춤형 고객 쇼핑 경험을 제공합니다. 자동차 제조업체는 AI를 사용해 개인 자동차, 공유 모빌리티, 배송 서비스의 안전성과 효율성을 개선합니다. 딥 러닝은 개체 감지, 음성 인식, 언어 번역 등의 작업에 첨단 수준의 정확도를 제공할 수 있도록 다중 계층 인공 뉴럴 네트워크를 사용하는 AI를 구현하기 위한 강력한 접근 방식입니다. 이제 컴퓨터는 딥 러닝을 사용하여 전문가가 작성한 소프트웨어에는 너무 복잡하거나 미묘하다고 간주되는 데이터에서 패턴을 학습하고 인식할 수 있습니다.
이 워크숍에서는 딥 러닝이 컴퓨터 비전 및 자연어 처리 분야의 실습 예제를 어떻게 해결하는지 알아봅니다. 고도로 정확한 결과를 얻기 위해 처음부터 도구와 요령을 익히며 딥 러닝 모델을 트레이닝해보십시오. 또한 무료로 이용 가능한, 사전 준비 트레이닝 첨단 모델을 활용하여 시간을 절약하고 딥 러닝 애플리케이션을 지금 시작해 실행하는 방법을 알아봅니다.
이 워크숍에 참여함으로써 다음을 수행할 수 있게 됩니다.
전제 조건: 함수, 루프, 사전 및 어레이 등, Phyton의 기본 프로그래밍 개념 이해
도구, 라이브러리, 프레임워크: TensorFlow, Keras, Pandas, Numpy
딥 러닝 기반 추천 시스템은 소매, 엔터테인먼트, 헬스케어, 금융 및 기타 산업에서 맞춤형 온라인 경험과 강력한 의사 결정 지원 도구를 뒷받침하는 비밀 요소입니다.
추천 시스템은 수많은 사람들의 선호 사항, 이전 결정 및 기타 특성을 이해하여 작동합니다. 예를 들어, 추천 시스템은 스트리밍 미디어 서비스가 개인이 선호하는 영화의 종류, 실제로 관람하는 영화 및 이해하는 언어를 파악하도록 도울 수 있습니다. 뉴럴 네트워크를 트레이닝해 이런 산더미 같은 데이터를 일반화하고 유사한 개인이나 상황에 대해 특정한 추천을 신속하게 제공하는 데에는 막대한 양의 컴퓨팅이 필요합니다. GPU는 이러한 컴퓨팅 작업을 대폭 가속화할 수 있습니다. 더 만족스러운 사용자 경험, 고객과의 더 돈독한 교류, 향상된 정보를 토대로 한 의사 결정을 제공할 방법을 모색 중인 조직에서는 적절하게 설계되고 트레이닝된 추천 시스템을 적용해 엄청난 가치를 실현할 수 있습니다.
이 워크숍에서는 매우 효과적인 추천 시스템을 구축하기 위한 기본 도구와 기술뿐 아니라 실시간 추천을 위해 GPU 가속화 솔루션을 배포하는 방법도 다룹니다.
이 워크숍에 참여함으로써 다음을 수행하는 방법을 학습할 수 있습니다.
전제 조건:
도구, 라이브러리, 프레임워크: CuDF, CuPy, TensorFlow 2, NVIDIA Triton™ Inference Server
지난 10년 사이에 자연어 처리(NLP)를 위한 애플리케이션이 폭발적으로 증가했습니다. AI 도우미가 확산되고 조직에서 비즈니스에 더 많은 인터랙티브 인간/기계 경험을 도입함에 따라, NLP 기술을 사용하여 텍스트 기반 데이터를 조작, 분석 및 생성할 수 있는 방법을 이해하는 것이 필수적입니다. 첨단 기술을 사용하여 인간과 같은 방식으로 언어의 뉘앙스, 맥락, 섬세함을 포착할 수 있습니다. 또한 올바르게 설계될 경우, 개발자는 이러한 기술을 사용하여 챗봇, AI Voice Agent 등에서 자연스럽고 원활한 인간-컴퓨터 상호 작용을 제공하는 강력한 NLP 애플리케이션을 구축할 수 있습니다.
딥 러닝 모델은 다양한 컨텍스트와 언어에 걸쳐 정확하게 일반화하는 기능 덕분에 NLP와 관련해 폭넓은 인기를 얻고 있습니다. Bidirectional Encoder Representations from Transformers(BERT) 등의 트랜스포머 기반 모델은 질문-답변, 엔터티 인식, 의도 인식, 감정 분석 등을 위한 SQuAD 등의 벤치마크에서 인간 기준선과 유사한 정확도를 제공해 NLP 발전에 혁신을 일으켰습니다. NVIDIA에서는 첨단 NLP 모델을 빠르게 구축하는 데 도움이 되는 소프트웨어와 하드웨어를 제공합니다. 혼합 정밀도를 통해 트레이닝 프로세스를 최대 4.5배 가속화할 수 있으며 정확도를 저해하지 않고 여러 서버 노드 전반의 멀티 GPU로 성능을 손쉽게 확장할 수 있습니다.
이 워크숍에서는 문서 분류 등의 텍스트 분류 작업에 트랜스포머 기반 자연어 처리 모델을 사용하는 방법을 배우게 됩니다. 또한 명명된 엔터티 인식(NER) 작업을 위해 트랜스포터 기반 모델을 활용하는 방법과 지표, 도메인 특수성, 사용 가능한 리소스를 바탕으로 특정 사용 사례에 가장 적합한 모델이 어느 것인지 결정하기 위해 다양한 모델 기능, 구속 조건 및 특성을 분석하는 방법도 배웁니다.
도구, 라이브러리, 프레임워크: PyTorch, pandas, NVIDIA NeMo™, NVIDIA Triton™ Inference Server
자율 주행 자동차와 같은 AI 애플리케이션을 지원하는 데 사용되는 심층 신경망의 연산 요구 사항은 어마어마합니다. 단일 트레이닝 주기는 단일 GPU에 대해 수 주가 소요되거나 자율 주행 자동차 연구에 사용되는 것과 같은 대규모 데이터 세트에 대해 수년까지 소요될 수 있습니다. 딥 러닝에 다중 GPU를 사용하면 많은 데이터를 트레이닝하는 데 필요한 시간이 크게 단축되므로, 복잡한 문제를 딥 러닝으로 해결할 수 있습니다.
이 과정은 다중 GPU를 사용하여 신경망을 트레이닝하는 방법을 가르칩니다. 학습 내용:
이 과정을 완료하면 TensorFlow를 사용하여 심층 신경망의 트레이닝을 효과적으로 병렬 처리할 수 있습니다.
전제 조건: 확률적 경사 하강법 메커니즘, 네트워크 아키텍처, 병렬 컴퓨팅에 대한 경험
NVIDIA DRIVE™ 개발 플랫폼을 사용하여 자율 주행 차량의 심층 신경망을 설계, 트레이닝 및 배포하는 방법을 배웁니다.
다음과 같은 내용을 배웁니다.
> CUDA® 코드 작업, 메모리 관리, NVIDIA DRIVE AGX™ 시스템에서의 GPU 가속화 > 의미론적 세분화 신경망 트레이닝 > NVIDIA® TensorRT™를 사용해 트레이닝된 신경망을 최적화하고 검증하며 배포
이 과정을 완료하면 NVIDIA DRIVE를 사용하는 자율 주행 차량을 위한 인지 요소를 생성 및 최적화할 수 있습니다.
전제 조건: CNN 및 C++에 대한 경험
기술: TensorFlow, TensorRT, Python, CUDA C++, DIGITS
디지털 콘텐츠 생성을 위한 신경망 설계, 트레이닝 및 배포의 최신 기술에 대해 살펴봅니다. 학습 내용:
이 과정을 완료하면 딥 러닝 접근 방식을 이용해 디지털 자산을 생성할 수 있
전제 조건: CNN(나선형 신경망)과 같은 딥 러닝 개념에 대한 기본 지식, Python 프로그래밍 언어에 대한 경험
기술: Torch, TensorFlow
이 과정은 다양한 의료 작업 및 계산을 수행하기 위해 나선형 신경망(CNN)을 MRI 스캔에 적용하는 방법을 살펴봅니다. 학습 내용
이 과정을 완료하면 다양한 의료 작업 수행을 위해 MRI 스캔에 CNN을 적용할 수 있게 됩니다.
전제 조건: 심층 신경망에 대한 기본 지식, Python 또는 유사 언어의 기본 코딩 경험
기술: R, MXNet, TensorFlow, Caffe, DIGITS
딥 러닝 모델을 구축하여 실제 제작 데이터 세트를 통해 NVIDIA의 인쇄 회로 기판(PCB)에서 커패시터의 검증을 자동화하는 방법을 살펴봅니다. 이렇게 하면 검증 비용을 절감하고 다양한 제조 사용 사례 전반에서 전체 생산량을 증가시킬 수 있습니다. 다음과 같은 내용을 배울 수 있습니다.
완료하면 하드웨어 가속화 산업 검사 파이프라인의 빌딩 블록을 설계, 교육, 테스트 및 배포할 수 있습니다.
전제 조건: 기본 Python(함수 및 변수)에 대한 지식, 신경망 트레이닝 사전 경험.
교통 카메라 증가, 자율주행 자동차의 성장 가능성, 유망한 스마트 시티 전망을 고려할 때 보다 빠르고 효율적인 개체 감지 및 추적 모델에 대한 수요가 증가하고 있습니다. 여기에는 비디오 프레임 안에서 다양한 유형의 물체에 대한 식별, 추적, 분할, 예측이 관련됩니다.
이 워크샵의 학습 내용·
이 과정을 이수하면 주차장 카메라 피드를 기반으로 하드웨어 가속화 교통 관리 시스템의 빌딩 블록을 설계, 트레이닝, 테스트 및 배포할 수 있습니다.
전제 조건: 신경망 및 Python 프로그래밍에 대한 기본적인 경험, 언어학에 대한 지식
기술: TensorFlow, Keras
AI는 광범위한 산업 전반에 걸쳐 로보틱스의 가속화와 발전에 혁명을 일으키고 있다. 임베디드 애플리케이션을 위한 Jetson에서 로봇 솔루션을 생성하는 방법에 대해 알아 보십시오. 다음 방법을 배워보세요.
작업이 완료되면 로보틱스를 위한 고성능 딥러닝 애플리케이션을 구축하는 방법을 알게 될 것이다.
요구되는 배경 지식: 딥 뉴럴 네트워크에 대한 기본 지식과 경험, 파이썬이나 유사 언어로 된 기본 코딩 경험
전 세계 통신 인프라를 통해 이동하는 정보의 양으로 인해 통신 인프라는 인류가 여태까지 구축했던 것 중 가장 복잡하고 역동적인 시스템 중 하나가 되었습니다. 이 워크샵에서는 다중 AI 기반 솔루션을 구현하여 네트워크 침입을 파악하고 중요한 통신 문제를 해결합니다.
워크샵 학습 내용
이 과정을 완료하면 지도 머신 러닝 및 비지도 머신 러닝을 사용하여 대규모 데이터 세트에서 이상 현상을 감지할 수 있습니다.
전제 조건: CNN 및 Python에 대한 경험
기술: RAPIDS, Keras, GAN, XGBoost
시계열 데이터에서 이상 현상 및 고장을 파악하고, 해당 부품의 유효 수명을 예측하며, 이 정보를 사용해 고장으로 이어질 수 있는 이상 현상을 식별할 수 있습니다.
학습 내용
이 과정을 완료하면 AI를 이용하여 장비의 상태를 예측하고 유지 관리를 수행해야 할 때를 예측하는 방법을 이해합니다.
전제 조건: Python 및 심층 신경망에 대한 경험
CUDA 컴퓨팅 플랫폼은 세계에서 가장 빠른 초병렬 GPU에서 실행할 수 있도록 CPU 전용 애플리케이션의 가속화를 지원합니다. 다음에 의한 C/C++ 애플리케이션 가속화를 경험
완료 즉시 가장 필수적인 CUDA 기법과 Nsight 시스템을 사용하여 기존 C/C++ CPU 전용 애플리케이션을 가속 및 최적화할 수 있습니다. 가속화된 애플리케이션을 빠르게 발송할 수 있는 반복적인 CUDA 개발 스타일을 이해하게 될 것입니다.
전제 조건: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 C/C++ 기초 이해.
기술: C/C++, CUDA
이 워크샵에서는 파이썬 프로그램을 CPU 병렬가속화 하기 위해 Numba-Just-In-Time Python 함수 컴파일러-를 어떻게 사용할 수 있는지 배웁니다. 해당 강의를 통하여 아래 내용을 학습할 수 있습니다 :
학습을 완료하면 Numba를 사용하여 CUDA 커널을 컴파일하고 실행하여 NVIDIA GPU에서 Python 응용 프로그램을 가속화 할 수 있습니다.
전제 조건: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 Python 기초 이해. ndarrays 및 ufuncs 사용을 포함하는 NumPy에 대한 이해
기술: CUDA, Python, Numba, NumPy
본 워크숍에서는 모든 사용 가능한 GPU를 단일 노드에서 효율적이고 정확하게 활용하여 애플리케이션의 성능을 획기적으로 향상시키고 여러 GPU가 있는 시스템을 가장 비용 효율적으로 사용하는 CUDA C++ 애플리케이션을 작성하는 방법에 대해 다룹니다.
본 워크숍에 참여하고 다음을 수행하는 방법에 대해 확인해보세요.
전제조건