Документация

Создайте функцию.

  edit MyCode

В Редакторе MATLAB^® введите новый parfor- цикл и добавляет tic и toc измерять время протекло.

function a = MyCode(A)

tic
parfor i = 1:200
    a(i) = max(abs(eig(rand(A))));
end
toc

Сохраните файл и закройте Редактор.

В меню Parallel> Parallel Preferences проверяйте, что вашим Default Cluster является local (ваша настольная машина).

В Окне Команды MATLAB задайте параллельный пул размера 1 и запустите свою функцию на одном рабочем, чтобы вычислить прошедшее время. Отметьте прошедшее время одним рабочим и закройте ваш параллельный пул.

parpool(1);
a = MyCode(1000);

Elapsed time is 172.529228 seconds.

delete(gcp);

Откройте новый параллельный пул двух рабочих и запустите функцию снова.

parpool(2);
a = MyCode(1000);

Отметьте прошедшее время; необходимо видеть, что это теперь уменьшилось по сравнению с одним случаем рабочего.

Попробуйте 4, 8, 12 и 16 рабочих. Измерьте параллельную масштабируемость путем графического вывода прошедшего времени для каждого количества рабочих на двойной логарифмической шкале.

Рисунок показывает масштабируемость для типичного многожильного настольного ПК (синие круговые точки данных). Сильный тест масштабирования показывает почти линейное ускорение и значительную параллельную масштабируемость максимум для восьми рабочих. Заметьте от фигуры, что в этом случае мы не достигаем дальнейшего ускорения больше чем для восьми рабочих. Этот результат означает, что на локальной настольной машине все ядра полностью используются в 8 рабочих. Можно получить различный результат на локальном рабочем столе, в зависимости от оборудования. Чтобы далее ускорить ваше параллельное приложение, рассмотрите увеличение масштаба к облачным или кластерным вычислениям.

Если вы исчерпали своих локальных рабочих, как в предыдущем примере, можно увеличить вычисление к облачным вычислениям. Проверяйте свой доступ к облачным вычислениям в меню Parallel> Discover Clusters .

Откройте параллельный пул в облаке и запустите ваше приложение, не изменяя ваш код.

parpool(16);
a = MyCode(1000);

Отметьте прошедшее время растущими числами кластерных рабочих. Измерьте параллельную масштабируемость путем графического вывода прошедшего времени как функции количества рабочих на двойной логарифмической шкале.

Рисунок показывает типичную производительность для рабочих в облаке (красный плюс точки данных). Этот сильный тест масштабирования показывает линейному ускорению и 100%-й параллельной масштабируемости до 16 рабочих в облаке. Рассмотрите дальнейшее увеличение масштаба своего вычисления путем увеличения числа рабочих в облаке или на вычислить кластере. Обратите внимание на то, что параллельная масштабируемость может отличаться, в зависимости от вашего оборудования для большего числа рабочих и других приложений.

Если у вас есть прямой доступ к кластеру, можно увеличить вычисление с помощью рабочих на кластере. Проверяйте свой доступ к кластерам в меню Parallel> Discover Clusters . Если у вас есть учетная запись, выберите cluster, откройте параллельный пул и запустите ваше приложение, не изменяя ваш код.

parpool(64);
a = MyCode(1000);

Рисунок показывает типичную сильную производительность масштабирования для рабочих на кластере (черные x точки данных). Заметьте, что вы достигаете 100%-й параллельной масштабируемости, сохраняющейся по крайней мере до 80 рабочих на кластере. Обратите внимание на то, что это приложение масштабируется линейно - ускорение равно количеству используемых рабочих.

Этот пример показывает ускорение, равное количеству рабочих. Не каждая задача может достигнуть подобного ускорения, видеть, например, В интерактивном режиме Запуск Цикл в параллели Используя parfor.

Вам могут быть нужны разные подходы для ваших конкретных задач. Чтобы узнать больше об альтернативных подходах, смотрите, Выбирают Parallel Computing Solution.