Выполните развертку параметра параллельно и постройте прогресс во время параллельных вычислений. Можно использовать DataQueue, чтобы контролировать результаты во время вычислений на параллельном пуле. Можно также использовать DataQueue с функциями языка параллельного программирования, такими как parfor, parfeval и spmd.

Использование Parallel Computing Toolbox™, чтобы выполнить двумерное Быстрое преобразование Фурье (FFT) на графическом процессоре. Двумерное преобразование Фурье используется в оптике, чтобы вычислить шаблоны дифракции далекого поля. Эти дифракционные шаблоны наблюдаются, когда монохроматический источник света проходит через маленькую апертуру, такой как в эксперименте двойного разреза Янга.

Распределенные массивы являются подходящими для больших математических вычислений, такими как большие проблемы линейной алгебры. Этот пример показывает, как можно решить систему линейных уравнений формы Ax=b параллельно с прямым методом с помощью распределенных массивов. Таким же образом что касается массивов, сохраненных в клиентской памяти, можно использовать mldivide, чтобы решить, может системы линейных уравнений, определенных с помощью распределенных массивов, таким образом, вы не должны изменять свой код.

Разработайте свой параллельный код MATLAB® по вашей локальной машине и масштабируйте до кластера. Кластеры обеспечивают больше вычислительных ресурсов, чтобы убыстриться и распределить ваши вычисления. Можно запустить код в интерактивном режиме параллельно по локальной машине, затем по кластеру, не изменяя код. По окончании, моделируя ваш код по вашей локальной машине, можно разгрузить вычисления к кластеру с помощью пакетных заданий. Так, можно закрыть MATLAB и получить результаты позже.

Доступ к большому набору данных в облаке и процессе это в кластере облака использование возможностей MATLAB больших данных.

Обучите сверточное использование нейронной сети MATLAB автоматическая поддержка параллельного обучения. Обучение глубокому обучению часто занимает часы или дни. С параллельными вычислениями можно ускорить обучение с помощью нескольких графических блоков обработки (графические процессоры) локально или в кластере в облаке. Если у вас есть доступ к машине с несколькими графическими процессорами, то можно завершить этот пример на локальной копии данных. Если вы хотите использовать больше ресурсов, то можно увеличить обучение глубокому обучению к облаку. Чтобы узнать больше о ваших опциях для параллельного обучения, смотрите, Увеличивают Глубокое обучение параллельно и в Облаке. Этот пример проводит вас по шагам, чтобы обучить нейронную сеть для глубокого обучения в кластере в использовании облака MATLAB автоматическая параллельная поддержка.

Разработайте свой параллельный код MATLAB® по вашей локальной машине и масштабируйте до кластера. Кластеры обеспечивают больше вычислительных ресурсов, чтобы убыстриться и распределить ваши вычисления. Можно запустить код в интерактивном режиме параллельно по локальной машине, затем по кластеру, не изменяя код. По окончании, моделируя ваш код по вашей локальной машине, можно разгрузить вычисления к кластеру с помощью пакетных заданий. Так, можно закрыть MATLAB и получить результаты позже.

Тестирует построения parfor в сравнении с эталоном путем повторного проигрывания карточной игры блэк джека, также известного 21. Мы используем parfor, чтобы проигрывать карточную игру многократно параллельно, отличаясь количество рабочих MATLAB®, но всегда с помощью того же числа игроков и рук.

Как простая, известная математическая проблема, Множество Мандельброта, может быть выражена в коде MATLAB®. Используя Parallel Computing Toolbox™ этот код затем адаптируется, чтобы использовать оборудование графического процессора тремя способами:

Использование Parallel Computing Toolbox™, чтобы проигрывать карточную игру блэк джека, также известного 21. Мы моделируем много проигрывателей, которые независимо проигрывают тысячи рук за один раз и статистики выплаты отображения. Этот пример запускает симуляции асинхронно на параллельном пуле рабочих, с помощью parfeval. Таким образом мы можем обновить отображение результатов, когда они становятся доступными.

Выполните развертку параметра параллельно и постройте прогресс во время параллельных вычислений. Можно использовать DataQueue, чтобы контролировать результаты во время вычислений на параллельном пуле. Можно также использовать DataQueue с функциями языка параллельного программирования, такими как parfor, parfeval и spmd.

Доступ к большому набору данных в облаке и процессе это в кластере облака использование возможностей MATLAB больших данных.

Обучите сверточное использование нейронной сети MATLAB автоматическая поддержка параллельного обучения. Обучение глубокому обучению часто занимает часы или дни. С параллельными вычислениями можно ускорить обучение с помощью нескольких графических блоков обработки (графические процессоры) локально или в кластере в облаке. Если у вас есть доступ к машине с несколькими графическими процессорами, то можно завершить этот пример на локальной копии данных. Если вы хотите использовать больше ресурсов, то можно увеличить обучение глубокому обучению к облаку. Чтобы узнать больше о ваших опциях для параллельного обучения, смотрите, Увеличивают Глубокое обучение параллельно и в Облаке. Этот пример проводит вас по шагам, чтобы обучить нейронную сеть для глубокого обучения в кластере в использовании облака MATLAB автоматическая параллельная поддержка.

Выполните развертку параметра параллельно и постройте прогресс во время параллельных вычислений. Можно использовать DataQueue, чтобы контролировать результаты во время вычислений на параллельном пуле. Можно также использовать DataQueue с функциями языка параллельного программирования, такими как parfor, parfeval и spmd.

Разработайте свой параллельный код MATLAB® по вашей локальной машине и масштабируйте до кластера. Кластеры обеспечивают больше вычислительных ресурсов, чтобы убыстриться и распределить ваши вычисления. Можно запустить код в интерактивном режиме параллельно по локальной машине, затем по кластеру, не изменяя код. По окончании, моделируя ваш код по вашей локальной машине, можно разгрузить вычисления к кластеру с помощью пакетных заданий. Так, можно закрыть MATLAB и получить результаты позже.

Тестирует построения parfor в сравнении с эталоном путем повторного проигрывания карточной игры блэк джека, также известного 21. Мы используем parfor, чтобы проигрывать карточную игру многократно параллельно, отличаясь количество рабочих MATLAB®, но всегда с помощью того же числа игроков и рук.

Используйте цикл parfor, чтобы выполнить развертку параметра на опции обучения.

Использование Parallel Computing Toolbox™, чтобы проигрывать карточную игру блэк джека, также известного 21. Мы моделируем много проигрывателей, которые независимо проигрывают тысячи рук за один раз и статистики выплаты отображения. Этот пример запускает симуляции асинхронно на параллельном пуле рабочих, с помощью parfeval. Таким образом мы можем обновить отображение результатов, когда они становятся доступными.

Можно выполнить асинхронные вычисления на рабочих, использующих parfeval, и оставить пользовательский интерфейс быстро реагирующим. Используйте afterEach, чтобы обновить пользовательский интерфейс, когда промежуточные вычисления будут готовы. Используйте afterAll, чтобы обновить пользовательский интерфейс, когда все вычисления будут готовы.

Запустите несколько экспериментов глубокого обучения на своей локальной машине. Используя этот пример как шаблон, можно изменить сетевые слои и опции обучения, чтобы удовлетворить определенным потребностям приложения. Можно использовать этот подход с синглом или несколькими графическими процессорами. Если у вас есть один графический процессор, сети обучаются один за другим в фоновом режиме. Подход в этом примере позволяет вам продолжить использовать MATLAB®, в то время как эксперименты глубокого обучения происходят.

Используйте parfeval, чтобы выполнить развертку параметра на глубине сетевой архитектуры для нейронной сети для глубокого обучения и получить данные во время обучения.

Доступ к большому набору данных в облаке и процессе это в кластере облака использование возможностей MATLAB больших данных.

Как простая, известная математическая проблема, Множество Мандельброта, может быть выражена в коде MATLAB®. Используя Parallel Computing Toolbox™ этот код затем адаптируется, чтобы использовать оборудование графического процессора тремя способами:

Измерьте некоторые ключевые показатели производительности графического процессора.

Как цены за финансовые опции могут быть вычислены на графический процессор с помощью методов Монте-Карло. Три простых типа экзотической опции используются в качестве примеров, но более комплексные опции могут быть оценены похожим способом.

Разработайте свой параллельный код MATLAB® по вашей локальной машине и масштабируйте до кластера. Кластеры обеспечивают больше вычислительных ресурсов, чтобы убыстриться и распределить ваши вычисления. Можно запустить код в интерактивном режиме параллельно по локальной машине, затем по кластеру, не изменяя код. По окончании, моделируя ваш код по вашей локальной машине, можно разгрузить вычисления к кластеру с помощью пакетных заданий. Так, можно закрыть MATLAB и получить результаты позже.

Доступ к большому набору данных в облаке и процессе это в кластере облака использование возможностей MATLAB больших данных.

Оцените производительность вычислить кластера со Сравнительным тестом проблемы HPC. Сравнительный тест состоит из нескольких тестов, которые измеряют различные шаблоны доступа к памяти. Для получения дополнительной информации смотрите Сравнительный тест проблемы HPC.

Используйте цикл parfor, чтобы выполнить развертку параметра на опции обучения.

Используйте parfeval, чтобы выполнить развертку параметра на глубине сетевой архитектуры для нейронной сети для глубокого обучения и получить данные во время обучения.

Загрузите данные на блок Amazon S3.

Отправьте пакетные задания обучения глубокому обучению в кластер так, чтобы можно было продолжить работать или закрыть MATLAB во время обучения.