关键字：MATLAB CPU MathWorks
近年来，使用GPU(通用图形处理器)进行科学计算已变得十分普遍。GPU最初设计用于图像密集型视频游戏产业中的图形渲染绘制，但近年来GPU不断发展，现可用于更广泛的用途。研究人员可对其进行程序设计以执行计算，用于数据分析、数据可视化，以及金融和生物建模等应用。
MATLAB的GPU支持为活跃于许多学科的大量研究人员(不一定是CUDA编程专家)提供了一种加速科学计算的新方法。考虑到MATLAB主要是用于科学计算和工程计算，因此MATLAB最新提供的GPU支持是一种逻辑开发，以便让非编程专家同样能够使用此技术。
有了MATLAB的这些新功能之后，用户便可以利用GPU来实现其应用程序的显著提速，而无需进行低级的C语言程序设计。这一最新技术发展提供了现有方法以外的其他方法来加速特定硬件上的MATLAB算法执行。
使用MATLAB进行GPU程序设计
MATLAB中的CUDA支持为GPU加速后的MATLAB操作提供了基础，并实现了现有CUDA内核与MATLAB应用程序的集成。用户现在可以使用不同的程序设计技术来实现易用性与执行优化两者的适当平衡(参考文献1)。
MATLAB支持启用了CUDA的NVIDIA GPU(具有1.3或更高版本计算功能)，例如Tesla 10系列和基于Fermi架构的尖端Tesla 20系列。GPU 1.3版提供的双浮点精度全面支持是保证大多数科学计算不因速度权衡而损失精度(loss Svb)的先决条件，并且可以将代码更改的需要减到最低。
在MATLAB中实现GPU计算的三种方法加速了整个应用程序的进度，并实现了所需的建模复杂度与执行控制间的权衡方案。
在GPU上执行重载的MATLAB函数
最简单的编程模式包括对GPU(GPU数组)上已加载数据的MATLAB函数直接调用。用户可以决定何时在MATLAB工作区和GPU之间移动数据或创建存储在GPU内存中的数据，以尽可能减少主机与设备间数据传输的开销。在第一个版本中，已重载了超过100个MATLAB函数(包括FFT和矩阵除法)，以在GPU数组中无缝执行。用户可在同一函数调用中将在GPU上加载的数据和MATLAB工作区中的数据混合，以实现最优的灵活性与易用性。
这种方法提供了一个简单的接口，让用户可以在GPU上直接执行标准函数，从而获得性能提升，而无需花费任何时间开发专门的代码。
MATLAB代码示例1，在GPU上执行矩阵除法
当处理存储在GPU内存中的数据时，会重载 \ 操作符以便在GPU上运行。在这种情况下，用户不得对函数进行任何更改，只能指定何时从GPU内存移动和检索数据，这两种操作分别通过gpuArray和gather命令来完成。
在MATLAB中定义GPU内核
作为第二种编程模式，用户可以定义MATLAB函数，执行要对GPU上的向量化数据执行的标量算术运算。使用这种方法，用户可以扩展和自定义在GPU上执行的函数集，以构建复杂应用程序并实现性能加速，因为需要进行的内核调用和数据传输比以前少。
这种编程模式允许用算术方法定义要在GPU上执行的复杂内核，只需使用MATLAB语言即可。使用这种方法，可在GPU上执行复杂的算术运算，充分利用数据并行化并最小化与内核调用和数据传输有关的开销。
MATLAB代码示例2，将MATLAB函数定义为GPU内核
同样，在这种情况下，用户不得对函数进行任何更改，只能指定何时从GPU内存移动和检索数据以及使用arrayfun命令调用函数。TaylorFun函数会在A_gpu矢量的各个元素上执行，充分利用数据并行化。
|
