MATLAB GPU计算支持
MATLAB®使您能够使用NVIDIA®gpu可以加速AI、深度学习和其他计算密集型分析，而不必成为CUDA®程序员。使用MATLAB和并行计算工具箱™，您可以:
- 使用NVIDIA gpu直接从MATLAB超过500个内置函数。
- 使用MATLAB worker和MATLAB并行服务器™访问桌面、计算集群和云上的多个gpu。
- 直接从MATLAB生成CUDA代码，使用GPU Coder™部署到数据中心、云和嵌入式设备。
- 从MATLAB中生成NVIDIA TensorRT™代码，用于GPU Coder的低延迟和高吞吐量推理。
- 部署MATLAB AI应用程序到支持nvidia的数据中心，使用MATLAB Production Server™与企业系统集成。
“我们的传统代码花了40分钟来分析一个风洞测试;通过使用MATLAB和图形处理器，计算时间现在不到一分钟。让我们的MATLAB算法在gpu上工作花了30分钟，不需要低级CUDA编程。”
克里斯托弗·巴尔,NASA
用MATLAB开发、扩展和部署深度学习模型
MATLAB允许单个用户实现端到端工作流，使用深度学习工具箱™开发和训练深度学习模型。然后，您可以使用并行计算工具箱和MATLAB并行服务器使用云和集群资源扩展培训，并使用GPU Coder部署到数据中心或嵌入式设备。
利用gpu开发深度学习和其他计算密集型分析
MATLAB是人工智能和深度学习开发的端到端工作流平台。MATLAB提供了用于导入训练数据集、可视化和调试、扩展训练cnn和部署的工具和应用程序。
只需一行代码就可以扩展到桌面、云和集群上的额外计算和GPU资源。
测试自己的CPU和GPU硬件使用gpuBench．
用最小的代码更改在gpu上扩展MATLAB
使用超过500个cuda支持的MATLAB函数在NVIDIA gpu上运行MATLAB代码。在工具箱中使用gpu支持的功能，用于深度学习、机器学习、计算机视觉和信号处理等应用。“并行计算工具箱”提供gpuArray它可以让你直接从MATLAB在支持cuda的NVIDIA GPU上执行计算，而不必学习低级的GPU计算库。
工程师无需编写任何额外的代码就可以使用GPU资源，因此他们可以专注于应用程序，而不是性能调优。
使用并行语言结构，例如parfor而且spmd可以在多个gpu上执行计算。在多个gpu上训练模型很简单，只需更改训练选项即可。
MATLAB还允许您将现有的CUDA内核集成到MATLAB应用程序中，而不需要任何额外的C编程。
从MATLAB中部署生成的CUDA代码，用于使用张量排序进行推理部署
使用GPU Coder从MATLAB代码中生成优化的CUDA代码，用于深度学习、嵌入式视觉和自主系统。生成的代码自动调用优化的NVIDIA CUDA库，包括TensorRT、cuDNN和cuBLAS，以低延迟和高吞吐量运行在NVIDIA gpu上。将生成的代码作为源代码、静态库或动态库集成到项目中，并将它们部署到NVIDIA Volta等gpu上运行®, NVIDIA Tesla®,英伟达杰森®, NVIDIA驱动®．
探索产品2022世界杯八强谁会赢？
免费试用
30天的探索就在你的指尖。
您也可以从以下列表中选择网站: