前言：

深度学习DL和人工智能AI成为当下最炙手可热的技术趋势，将成为技术行业基础设施的核心组成部分。深度学习训练需要大量的计算资源，GPU目前是深度学习最常使用的计算加速硬件。相对于CPU来说，GPU更便宜（达到同样的计算能力GPU一般便宜10倍），而且计算更加密集（一台服务器可以搭配1/2/4/8/16块GPU），深度学习时代，训练过程，GPU为主CPU为辅。主流的深度学习评测benchmark，都聚焦用GPU来做测试，用CPU对比已经没有太大意义。

GPU的价值不止体现在深度学习，在高性能计算、物联网、人工智能、生物信息、分子模拟、计算化学、材料力学、系统仿真、流体力学、机械设计、生物制药、航空动力、地质勘探、气候模拟等领域，算法越来越复杂，需要处理的海量数据越来越巨大，高性能计算能力就显得神秘嘉宾重要。GPU 高性能计算程序设计最大限度的利用硬件资源，提高了计算能力，降低时间成本，加速研发进度。

深度学习网络的计算里，最关键的是两种计算：如果是一个全连接层，它的计算主要是矩阵乘法；如果你是卷积层，核心计算是卷积计算。主流的深度卷积网络里，超过80%的计算源于卷积计算，一般的深度网络在最后一两层才用到全连接层，所以这个卷积操作其实是深度学习里最关键的核心技术。

我们针对深度学习的计算，有一套完整的解决方案，cuDNN已经成为主流深度学习框架调用的深度学习GPU函数库，包含完整的矩阵乘法和卷积计算的实现，但并不开源。

想搞清楚如何优化矩阵乘法和卷积吗？如何用CPU+GPU加速你的程序？学完本次课程，你会找到答案。

关键字：

AI(Artificial Intelligence，人工智能)

DL（Deep Learning，深度学习）

ML（Machine Learning，机器学习）

高性能计算（High Performance Computing, HPC）

并行计算（Parallel Computing）

超级计算（supercomputing）

E级计算（Exascale computing）

异构计算（Heterogeneous computing）

GPU通用计算（GPGPU，General Purpose GPU，CUDA，OpenCL，OpenACC）

并行计算基础（MPI，OpenMP，Pthread）

加速卡（CPU，GPU，APU，FPGA，MIC）

专业要求：

Linux/vim常用命令

能写简单的C/C++

基本的计算机基础和数学基础

8:30--11:30                                

高性能计算基础          

1、并行计算的应用场景和实际意义（战略、经济和成本）；

2、并行计算机体系结构：处理器、内存和互连网，常用的并行计算机系统；

3、性能分析模型：如何测量并行性能和扩展性；

4、CPU/GPU体系结构对比介绍；

13:30--17:00                              

MPI编程入门 

1、 MPI编程基本概念；

2、 基本编程语句； 

3、 主要点到点通信函数；

4、 上机实验hello world； 

MPI编程进阶

1、 自定义新的数据类型；

2、 集合通信方法；

3、 通信域和虚拟拓扑 ；

4、 上机实验：计算圆周率；

 老师及学生需持证参会

优惠二：买5赠1，同一单位5人及以上原价参加，可赠送一个名额（与优惠一只可选其一）