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.