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

全部展开

关键函数和类

`gpuArray`	存储在GPU上的阵列
`收集`	将分布式阵列或gpu阵列转移到本地工作区
`gpuDevice`	查询或选择图形处理器设备
`GPUDeviceManager`	GPU设备管理器

GPU-Specific功能

`gpuDeviceCount`	GPU设备数量
`gpuDeviceTable`	GPU设备属性表
`重置`	重置GPU设备并清空其内存
`等待(GPUDevice)`	等待GPU计算完成
`gputimeit`	在GPU上运行功能所需的时间
`existsOnGPU`	确定GPU上是否可用GPU array或CUDAKernel
`isgpuarray`	确定输入是否为`gpuArray`
`arrayfun`	在GPU上对数组的每个元素应用函数
`pagefun`	将功能应用到分布式或GPU阵列的每个页面
`gpurng`	控制GPU计算的随机数生成
`parallel.gpu.RandStream`	GPU上的随机数流
`parallel.gpu.enableCUDAForwardCompatibility`	查询和设置GPU设备的前向兼容性

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。