用MATLAB介绍GPU计算
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™支持超过700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支持的功能都会自动使用您的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,您还可以了解访问GPU的选项。此外,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。从2010年开始,并行计算工具箱为MATLAB提供了GPU计算支持。虽然GPS最初是为图形渲染而开发的,但它们现在普遍用于加速科学计算、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加速您的应用程序。MATLAB为加速计算密集的工作流程提供了一个直接接口,在gpu上有超过500个函数。使用这些支持的函数,你可以在GPU上执行你的代码,而不需要任何编程经验。
对于计算密集型的问题,只需对现有代码进行少量更改,就可以实现显著的速度提高。有了并行计算工具箱中的GPU支持,很容易确定是否可以使用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,将你的输入转换为GPU数组将自动在你的GPU上执行这些函数。
MATLAB自动处理GPU资源分配。所以你可以专注于你的应用程序,而不必学习任何低级的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。为了比较所支持的gpu的性能,使用MATLAB中的标准数值基准。许多MATLAB函数,例如训练过的网络函数,默认使用任何兼容的gpu。要在多个gpu上训练模型,您可以简单地直接在MATLAB中更改一个训练选项。
如果您的笔记本电脑或工作站上没有GPU,您可以利用MATLAB参考体系结构在云端的MATLAB桌面中使用一个或多个GPU。你也可以利用MATLAB深度学习容器从NVIDIA GPU云支持NVIDIA ddx,和其他平台支持Docker。
如果您有许多GPU应用程序要运行,或者需要扩展到GPU的单台计算机之外,您可以使用MATLAB并行服务器将您的工作流程扩展到GPU集群。如果您还没有访问GPU集群,您可以利用MathWorks Cloud Center或MATLAB并行服务器参考体系结构。
并行计算工具箱提供了直接使用CUDA代码的附加功能。mexcuda函数将CUDA代码编译为mex文件,可以直接在MATLAB中作为函数调用。相反,在编写了MATLAB代码之后,您可以使用CPU编码器生成和部署CUDA代码。
生成的代码经过优化,可以调用标准CUDA库,并且可以直接集成和部署到NVIDIA gpu上。要了解更多关于如何在MATLAB中充分利用您的GPU,请探索GPU计算解决方案页面。您还可以浏览MathWorks文档。以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网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。