GPU计算MATLAB简介
加速你的MATLAB®使用NVIDIA的应用程序®gpu,不需要任何CUDA®编程经验。
并行计算工具箱™支持700多个功能,让您使用GPU计算。如果您将输入作为GPU数组提供,则任何GPU支持的函数都会自动使用您的GPU运行,这使得转换和评估应用程序的GPU计算性能变得容易。
在本视频中,观看一个简要概述,包括代码示例和基准测试。此外,如果您的桌面计算环境中没有GPU,还可以了解访问GPU的选项。此外,还将了解如何将支持GPU的应用程序直接部署为GPU Coder™生成的CUDA代码。
GPU计算是一种被广泛采用的技术,它利用GPU的能力来加速计算密集型工作流。自2010年以来,并行计算工具箱为MATLAB提供了GPU计算支持。尽管GPS最初是为图形渲染而开发的,但现在通常用于加速科学计算、工程、人工智能和金融分析等领域的应用。
使用并行计算工具箱,您可以利用NVIDIA gpu,直接从MATLAB加速应用程序。MATLAB为加速计算密集型工作流提供了直接接口,在gpu上提供了超过500个函数。使用这些支持的函数,您可以在GPU上执行代码,而不需要任何编程经验。
对于计算密集型问题,只需对现有代码进行少量更改,就可以实现显著的速度提升。通过并行计算工具箱中的GPU支持,可以很容易地确定是否可以使用GPU来加快应用程序的速度。如果你的代码包含GPU支持的函数,将输入转换为GPU数组将自动在GPU上执行这些函数。
MATLAB自动处理GPU资源分配。这样你就可以专注于你的应用程序,而不必学习任何低级别的GPU计算工具。MATLAB利用了GPU中数百个专门的核心。加速可能在很大程度上瘫痪的应用程序的性能。在执行处理大量数据和包含大量向量化操作的工作流时,使用GPU可以获得最有效的结果。
您可以使用MathWorks File Exchange中的GPUBench。为了比较支持的gpu的性能,使用MATLAB中的标准数值基准。许多MATLAB函数,如训练过的网络函数,默认使用任何兼容的gpu。要在多个gpu上训练你的模型,你可以直接在MATLAB中更改训练选项。
如果您的笔记本电脑或工作站上没有GPU,您可以利用MATLAB参考架构在云端的MATLAB桌面中使用一个或多个GPU。您还可以利用来自NVIDIA GPU Cloud的MATLAB深度学习容器,该容器支持NVIDIA ddx,以及其他支持Docker的平台。
如果您有许多GPU应用程序要运行,或者需要扩展到具有GPU的单机之外,则可以使用MATLAB Parallel Server将您的工作流程扩展到具有GPU的集群。如果您还没有访问GPU集群,则可以利用MathWorks Cloud Center或MATLAB并行服务器参考架构。
并行计算工具箱为直接使用CUDA代码提供了额外的功能。mexuda函数,将CUDA代码编译成一个mex文件,可以直接在MATLAB中作为函数调用。相反,在编写MATLAB代码后,您可以生成和部署准备使用CUDA代码,与CPU编码器。
生成的代码经过优化,可调用标准CUDA库,并可直接集成和部署到NVIDIA gpu上。要了解更多关于如何在MATLAB中充分利用GPU的信息,请浏览GPU计算解决方案页面。您还可以查看MathWorks文档。获取完整的函数列表,其中提供了支持和更多示例。
相关产品2022世界杯八强谁会赢?
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。