分析和模型数据在GPU上

检查GPU的属性

您可以查询并选择你的GPU设备使用gpuDevice函数。如果你有多个gpu,您可以检查所有gpu的性能检测到您的系统使用gpuDeviceTable函数。然后,您可以选择一个特定的GPU single-GPU执行使用指数(gpuDevice(索引))。

D = gpuDevice

D = CUDADevice属性:名称:“泰坦V”指数:1 ComputeCapability:“7.0”SupportsDouble: 1 DriverVersi万博1manbetxon: 11.2000 ToolkitVersion: 11.2000 MaxThreadsPerBlock: 1024 MaxShmemPerBlock: 49152 (49.15 KB) MaxThreadBlockSize: [1024 1024 64] MaxGridSize: [2.1475 e + 09年65535 65535]SIMDWidth: 32 TotalMemory: 12652838912 (12.65 GB) AvailableMemory: 12096045056 (12.10 GB) MultiprocessorCount: 80 ClockRateKHz: 1455000 ComputeMode:“违约”GPUOverlapsTransfers: 1 KernelExecutionTimeout: 0 CanMapHostMemory: 1 DeviceSupported: 1 DeviceAvailable: 1 DeviceSelected: 1

在GPU执行函数

探索使用描述性统计数据分布在GPU。

正态分布随机数的生成一个数据集在GPU上。

dist = randn (6 e4, 6 e3,“gpuArray”);

确定是否经销是一个GPU数组。

TF = isgpuarray(经销)

TF =逻辑1

与GPU执行一个函数数组输入参数。例如,计算每一列的样本偏态经销。因为经销GPU数组,是吗偏态函数执行在GPU GPU的数组,并返回结果。

斜=偏态(经销);

验证输出斜是一个GPU数组。

TF = isgpuarray(斜)

TF =逻辑1

评估的GPU加速执行

评价函数在GPU执行时间,比较性能与执行CPU。

比较时间执行代码在CPU和GPU可用于确定适当的执行环境。例如,如果你想计算从样本描述性统计数据,考虑到执行时间和数据传输时间评估整体性能是很重要的。如果一个函数数组GPU的支持,随着观察的数量增加,通常在万博1manbetxGPU计算相比,提高了CPU。

测量函数运行时在几秒钟内被使用gputimeit(并行计算工具箱)函数。gputimeit比时间使用GPU的函数,因为它确保操作完成和补偿开销。

斜= @()偏态(经销);t = gputimeit(斜)

t = 0.2458

评估GPU和CPU之间的性能差异通过独立测量CPU执行时间。在这种情况下,代码的执行速度更快的GPU比CPU。

代码在GPU的性能严重依赖于所使用的GPU。有关测量和提高GPU性能的额外信息,明白了测量和提高GPU性能(并行计算工具箱)。

单精度在GPU上

你可以提高你的代码的性能通过计算在单精度而不是双精度。

确定的执行时间偏态使用一个输入参数的函数经销数据集在单精度。

dist_single =单(经销);skew_single = @()偏态(dist_single);t_single = gputimeit (skew_single)

t_single = 0.0503

在这种情况下,代码的执行速度比单精度数据与双精度数据执行。

性能改进是依赖于GPU卡和核心的总数。更多信息关于使用单精度GPU,明白了测量和提高GPU性能(并行计算工具箱)。

降维在GPU和模型拟合

在GPU实现降维与分类工作流程。

等功能主成分分析和fitcensemble可以一起使用来训练一个机器学习模型。

函数是计算密集型和使用GPU可以显著加速。

例如,考虑一下humanactivity数据集,数据集包含24075 5观察物理人类活动:坐、站立、行走、跑步、和跳舞。每个观察60特性提取加速度数据衡量智能手机加速计传感器。数据集包含以下变量:

负载humanactivity

使用90%的观察来训练模型,将人类活动的五种类型,并使用10%的观察来验证训练模型。指定一个抵抗10%使用的测试集cvpartition。

分区= cvpartition (actid,“坚持”,0.10);trainingInds =培训(分区);%训练集的指标testInds =测试(分区);%测试集的指标

训练和测试数据转移到GPU。

XTrain = gpuArray(壮举(trainingInds:));YTrain = gpuArray (actid (trainingInds));XTest = gpuArray(壮举(testInds:));欧美= gpuArray (actid (testInds));

找到训练数据集的主成分XTrain。

[多项式系数,分数,~,~,解释说,μ)= pca (XTrain);

找到所需的组件数量解释至少99%的变异性。

idx =找到(cumsum(解释)> 99,1);

确定主成分得分表示X在主成分空间。

XTrainPCA =分数(:,1:idx);

符合学习者的系综分类。

模板= templateTree (“MaxNumSplits”,20岁,“复制”,真正的);classificationEnsemble = fitcensemble (XTrainPCA YTrain,…“方法”,“AdaBoostM2”,…“NumLearningCycles”30岁的…“学习者”模板,…“LearnRate”,0.1,…“类名”,(1;2;3;4;5);

使用测试集训练模型,您需要将测试数据集通过训练得到的主成分分析数据集。

XTestPCA = (XTest-mu) *多项式系数(:1:idx);

评估的准确性和测试数据训练分类器。

classificationError =损失(classificationEnsemble XTestPCA、欧美);

转移到本地工作区

传输数据或从GPU模型属性的本地工作区使用一个函数,它不支持GPU数组。万博1manbetx

将GPU数组可以是昂贵的,通常是没有必要的,除非你需要使用结果不支持GPU数组的函数,或使用另一个工作区,GPU中的结果不可用。万博1manbetx

的收集(并行计算工具箱)函数从GPU传输数据到本地工作区。收集经销数据,然后确认数据不再是GPU数组。

dist =收集(经销);TF = isgpuarray(经销)

TF =逻辑0

的收集机器学习模型的功能转移属性从GPU到本地工作区。收集classificationEnsemble模型,然后确认以前GPU的模型属性数组,如X,不再GPU数组。

classificationEnsemble =收集(classificationEnsemble);TF = isgpuarray (classificationEnsemble.X)

TF =逻辑0