主要内容

GPU计算在MATLAB

使用基本的GPU计算加速您的代码

要加快代码速度,首先尝试分析和向量化代码。信息,请参阅性能和内存.在分析和矢量化之后,您还可以尝试使用计算机的GPU来加快计算速度。如果图形处理器支持您想要使用的所有功能,您可以直接使用万博1manbetxgpuArray向GPU传输输入数据,调用收集从GPU检索输出数据。要开始使用GPU计算,请参阅在GPU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。万博1manbetx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

gpuArray 阵列存储在GPU上
收集 将分布式阵列或gpuArray传输到本地工作区
gpuDevice 查询或选择GPU设备
GPUDeviceManager GPU设备管理器
gpuDeviceCount 当前GPU设备数量
gpuDeviceTable GPU设备属性表
重置 重新设置GPU设备并清除其内存
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上是否有gpuArray或CUDAKernel
isgpuarray 确定输入是否正确gpuArray
arrayfun 对GPU上阵列的每个元素应用函数
pagefun 对分布式阵列或gpuArray的每个页面应用函数
gpurng 用于GPU计算的控制随机数生成
parallel.gpu.RandStream GPU上的随机数流
parallel.gpu.enableCUDAForwardCompatibility 查询和设置GPU设备的兼容性

主题

运行MATLAB代码在GPU上

在GPU上运行MATLAB函数

如果您提供gpuArray论点

识别并选择GPU设备

这个例子展示了如何使用gpuDevice确定并选择要使用的设备。

GPU支万博1manbetx持情况

万博1manbetx支持NVIDIA®GPU架构由MATLAB发布。

在GPU上建立阵列

一个gpuArray表示存储在GPU上的数组。

在GPU上使用FFT2模拟衍射图形

此示例使用并行计算工具箱™ 在GPU上执行二维快速傅立叶变换(FFT)。

在多个gpu上运行MATLAB函数

此示例演示如何在多个GPU上并行运行MATLAB代码,首先在本地计算机上运行,然后扩展到集群。

使用自动多GPU支持的列车网络万博1manbetx(深度学习工具箱)

此示例演示如何在本地机器上使用多个GPU,使用自动并行支持进行深入学习培训。万博1manbetx

提高GPU性能

使用ARRAYFUN提高MATLAB函数在GPU上的元素性能

这个例子展示了如何arrayfun可以用来在GPU上运行MATLAB®函数。

使用PAGEFUN提高GPU上小矩阵问题的性能

这个例子展示了如何使用pagefun以提高在三维环境中对物体进行大量独立旋转和平移的性能。

衡量和提高GPU性能

使用MATLAB中的基准测试来衡量GPU的性能。

对GPU上的A\b进行基准测试

这个例子着眼于我们如何在GPU上对线性系统进行基准测试。

了解更多

分析代码以提高性能

使用Profiler来衡量运行代码所花费的时间,并确定哪些代码行消耗的时间最多,哪些代码行不运行。

向量化

修改基于循环、面向标量的代码,使用MATLAB进行矩阵和向量运算。

GPU上的随机数流

控制GPU上的随机数流,以生成与CPU上相同的随机数序列。

在GPU上生成随机数

这个例子展示了如何在GPU支持的不同随机数生成器之间切换。万博1manbetx

模板对GPU的操作

本例使用Conway的“生命游戏”演示如何使用GPU执行模具操作。

特色的例子