GPU计算在MATLAB
使用基本的GPU计算加速代码
要加快代码的速度,首先要尝试分析和向量化。信息,请参阅性能和内存.在分析和向量化之后,您还可以尝试使用计算机的GPU来加快计算速度。如果您想使用的所有功能都支持在GPU上,您可以简单地使用gpuArray
将输入数据传输到GPU,并调用收集
,从图形处理器获取输出数据。要开始使用GPU计算,请参见在图形处理器上运行MATLAB函数.
对于深度学习,MATLAB®为多个gpu提供自动并行支持。看到基于MATLAB的多gpu深度学习(深度学习工具箱).
功能
主题
运行MATLAB代码在GPU上
- 在图形处理器上运行MATLAB函数
提供一个gpuArray
参数将自动在GPU上运行函数。 - 识别并选择GPU设备
这个例子展示了如何使用gpuDevice
来识别和选择您想使用的设备。 - GPU计算的需求
支持NVIDIA®GPU的架构。 - 在GPU上建立array
使用gpuArray
对象在GPU上存储数据,并在GPU上进行计算。 - 在多gpu上运行MATLAB函数
这个例子展示了如何在多个gpu上并行运行MATLAB®代码,首先在您的本地机器上,然后扩展到一个集群。 - 在云端使用gpu运行MATLAB
利用云计算中强大的gpu来加速你的代码。 - 使用自动多gpu支持训练网络(深度学习工具箱)
这个例子展示了如何使用自动并行支持在本地机器上使用多个gpu进行深度学习训练。 - 在GPU上使用稀疏数组
了解在GPU上使用稀疏数组的条件。 - 在GPU上使用复数
了解在GPU上应用可能返回复杂值的函数的条件。 - 在GPU上使用FFT2模拟衍射模式
这个例子使用并行计算工具箱™在GPU上执行二维快速傅里叶变换(FFT)。
提高GPU性能
- 测量和改进GPU性能
时间代码运行在您的GPU和探索选项,以提高性能。 - 使用GPU和向量化计算提高性能
这个例子向您展示了如何通过在GPU而不是CPU上运行函数,以及通过向量化计算来提高性能。 - 利用arrayfun提高基于元素的MATLAB函数在GPU上的性能
这个例子展示了如何通过在GPU上运行MATLAB®函数来提高代码的性能arrayfun
. - 利用pagefun在GPU上提高小矩阵问题的性能
这个例子展示了如何使用pagefun
以提高在三维环境中对物体应用大量独立旋转和平移的性能。 - 在GPU上对A\b进行基准测试
这个例子着眼于我们如何在GPU上对线性系统的求解进行基准测试。
了解更多
- 分析代码以提高性能
使用Profiler来测量运行代码所花费的时间,并确定哪些代码行消耗的时间最多,哪些行没有运行。 - 向量化
修改基于循环,面向标量的代码,以使用MATLAB矩阵和向量运算。 - GPU上的随机数流
控制GPU上的随机数流,生成与CPU上相同的随机数序列。 - 在GPU上生成随机数
这个例子展示了如何在GPU支持的不同随机数生成器之间切换。 - Stencil图形处理器的操作
本例使用Conway的“Game of Life”演示如何使用GPU执行模板操作。 - 使用GPU锐化图像
这个例子展示了如何使用gpuArrays和支持gpu的函数锐化图像。 - 使用使能gpu的函数计算Mandelbrot集
这个例子展示了如何使用gpu支持的MATLAB函数来计算一个著名的数学结构:Mandelbrot集合。