Accelerating Matlab with GPUs. A Primer with Examples

فراتر از شبیه سازی و توسعه الگوریتم، بسیاری از توسعه دهندگان به طور فزاینده ای از MATLAB حتی برای استقرار محصول در زمینه های محاسباتی سنگین استفاده می کنند. این اغلب مستلزم آن است که کدهای MATLAB با استفاده از موازی سازی توزیع شده واحدهای پردازش گرافیکی (GPU) سریعتر اجرا شوند. در حالی که متلب با موفقیت توابع سطح بالا را به عنوان یک ابزار شبیه سازی برای نمونه سازی سریع فراهم می کند، جزئیات اساسی و دانش مورد نیاز برای استفاده از پردازنده های گرافیکی باعث می شود کاربران متلب در ورود به آن تردید داشته باشند. شتاب بخشیدن به MATLAB با GPU مقدمه ای برای پر کردن این شکاف ارائه می دهد.

با شروع، راه اندازی MATLAB برای CUDA (در ویندوز، لینوکس و Mac OS X) و نمایه سازی، سپس کاربران را از طریق موضوعات پیشرفته مانند کتابخانه های CUDA راهنمایی می کند. نویسندگان تجربه خود را در توسعه الگوریتم‌هایی با استفاده از MATLAB، C++ و GPU برای مجموعه داده‌های عظیم، اصلاح کدهای MATLAB برای استفاده بهتر از قدرت محاسباتی GPUها و ادغام آن‌ها در محصولات نرم‌افزاری تجاری به اشتراک می‌گذارند. در سراسر کتاب، آنها کدهای نمونه بسیاری را نشان می دهند که می توانند به عنوان الگوهای کدهای C-MEX و CUDA برای پروژه های خوانندگان استفاده شوند. کدهای نمونه را از وب سایت ناشر بارگیری کنید: http://booksite.elsevier.com/9780124080805/

• نشان می دهد که چگونه می توان کدهای متلب را از طریق GPU برای پردازش موازی، با حداقل دانش سخت افزاری، تسریع کرد
• پیشنهاد مربوط به سخت افزار، معماری و برنامه نویسی را برای سهولت استفاده توضیح می دهد
• نمونه های کار شده ساده ای از کدهای MATLAB و CUDA C و همچنین الگوهایی را ارائه می دهد که می توانند در پروژه های دنیای واقعی دوباره استفاده شوند
• li>

Beyond simulation and algorithm development, many developers increasingly use MATLAB even for product deployment in computationally heavy fields. This often demands that MATLAB codes run faster by leveraging the distributed parallelism of Graphics Processing Units (GPUs). While MATLAB successfully provides high-level functions as a simulation tool for rapid prototyping, the underlying details and knowledge needed for utilizing GPUs make MATLAB users hesitate to step into it. Accelerating MATLAB with GPUs offers a primer on bridging this gap.

Starting with the basics, setting up MATLAB for CUDA (in Windows, Linux and Mac OS X) and profiling, it then guides users through advanced topics such as CUDA libraries. The authors share their experience developing algorithms using MATLAB, C++ and GPUs for huge datasets, modifying MATLAB codes to better utilize the computational power of GPUs, and integrating them into commercial software products.  Throughout the book, they demonstrate many example codes that can be used as templates of C-MEX and CUDA codes for readers' projects.  Download example codes from the publisher's website: http://booksite.elsevier.com/9780124080805/

• Shows how to accelerate MATLAB codes through the GPU for parallel processing, with minimal hardware knowledge
• Explains the related background on hardware, architecture and programming for ease of use
• Provides simple worked examples of MATLAB and CUDA C codes as well as templates that can be reused in real-world projects