MATLAB对GPU计算的支持万博1manbetx
支持NVIDIA CUDA的GPU
在支持NVIDIA cuda的gpu上执行MATLAB计算
MATLAB®使您能够使用NVIDIA®gpu可以加速人工智能、深度学习和其他计算密集型分析，而无需CUDA®程序员利用MATLAB和并行计算工具箱™, 你可以：
- 使用NVIDIA gpu直接从MATLAB与超过500内置功能。
- 使用MATLAB workers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，以便使用GPU编码器部署到数据中心、云和嵌入式设备™.
- 生成NVIDIA TensorRT™ 来自MATLAB的代码，用于使用GPU编码器进行低延迟和高通量推理。
- 将MATLAB AI应用程序部署到支持NVIDIA的数据中心，以便使用MATLAB生产服务器与企业系统集成™.
“我们的传统代码花了40分钟来分析单个风洞测试；通过使用MATLAB和GPU，计算时间现在不到一分钟。在GPU上运行我们的MATLAB算法需要30分钟，不需要低水平的CUDA编程。”
克里斯托弗·巴尔，美国宇航局
使用MATLAB开发、扩展和部署深度学习模型
MATLAB允许单个用户使用深度学习工具箱™实现端到端工作流来开发和训练深度学习模型。然后，您可以使用云和集群资源使用并行计算工具箱和MATLAB并行服务器扩展培训，并使用GPU编码器部署到数据中心或嵌入式设备。
使用GPU开发深度学习和其他计算密集型分析
MATLAB是一个用于人工智能和深度学习开发的端到端工作流平台。MATLAB提供用于导入培训数据集、可视化和调试、扩展培训CNN和部署的工具和应用程序。
只需一行代码，即可扩展到桌面、云和集群上的其他计算和GPU资源。
测试您自己的CPU和GPU硬件使用gpuBench.
在GPU上扩展MATLAB，代码更改最少
使用500多个支持CUDA的MATLAB函数在NVIDIA GPU上运行MATLAB代码。在工具箱中使用支持GPU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，一种具有相关函数的特殊数组类型，它允许您直接从MATLAB在支持CUDA的NVIDIA GPU上执行计算，而无需学习低级GPU计算库。
工程师可以使用GPU资源，而无需编写任何额外的代码，因此他们可以专注于自己的应用程序，而不是性能调整。
使用并行语言结构，例如帕弗和spmd可以在多个gpu上进行计算。在多个gpu上训练一个模型很简单，只需改变训练选项。
MATLAB还允许您将现有的CUDA内核集成到MATLAB应用程序中，而无需任何额外的C编程。
部署生成的CUDA代码从MATLAB与TensorRT推理部署
使用GPU编码器从MATLAB代码生成优化的CUDA代码，用于深度学习、嵌入式视觉和自治系统。生成的代码自动调用优化的NVIDIA CUDA库，包括TensorRT、cuDNN和cuBLAS，以在NVIDIA GPU上以低延迟和高吞吐量运行。将生成的代码集成到源代码、静态库或动态库中，并将它们部署到GPU上运行，例如英伟达VLTA®，NVIDIA Tesla®，NVIDIA Jetson®，及英伟达道®.
探索产品s manbetx 845
免费试用
30天的探索触手可及。
