matlab gpu 编程,实战：使用MATLAB进行GPU高级编程

在GPU上执行能够加快我的应用程序吗?

GPU能够对符合以下标准的应用程序进行加速：

大规模并行—计算能够被分割成上百个或上千个独立的工作单元。

计算密集型—计算消耗的时间显著超过了花费转移数据到GPU内存以及从GPU内存转移出数据的时间。

不满足上述标准的应用程序在GPU上运行时可能会比CPU要慢。

使用MATLAB进行GPU编程

FFT，IFFT以及线性代数运算超过了100个内置的MATLAB函数，通过提供一个类型为GPUArray(由并行计算工具箱提供的特殊数组类型)的输入参数，这些函数就能够直接在GPU上运行。这些启用GPU的函数都是重载的，换句话说，这些函数根据传递的参数类型的不同而执行不同的操作。

例如，以下代码使用FFT算法查找CPU上伪随机数向量的离散傅里叶变换：

A = rand(2^16,1);

B = fft (A);

为在GPU上执行相同的操作，我们首先使用gpuArray命令将数据从MATLAB工作空间转移至GPU设备内存。然后我们能够运行重载函数fft：

A = gpuArray(rand(2^16,1));

B = fft (A);

fft操作在GPU上而不是在CPU上执行，因为输入参数(GPUArray)位于GPU的内存中。

结果B存储在GPU当中。然而，B在MATLAB工作空间中依旧可见。通过运行class(B)，我们看到B是一个GPUArray。

class(B)

ans =

parallel.gpu.GPUArray

我们能够使用启用GPU的函数继续对B进行操作。例如，为可视化操作结果，plot命