Parallel Computing Toolbox

Выполняйте параллельные расчеты на многоядерных компьютерах, графических процессорах и компьютерных кластерах

Parallel Computing Toolbox™ позволяет решать вычислительные и ресурсоемкие задачи с помощью многоядерных процессоров, графических процессоров и компьютерных кластеров. Высокоуровневые конструкции - параллельные для циклов, специальные типы массивов и параллелизированные числовые алгоритмы - позволяют вам параллелизировать MATLAB® приложения без программирования CUDA или MPI. Тулбокс позволяет использовать функции с поддержкой параллелизма в MATLAB и других тулбоксах. Вы можете использовать тулбокс с Simulink® чтобы запустить несколько симуляций модели параллельно. Программы и модели могут запускаться как в интерактивном, так и в пакетном режиме.

Тулбокс позволяет вам использовать полную степень многоядерных рабочих столов, выполняя приложения на рабочих местах (вычислительных механизмах MATLAB), которые запускаются локально. Не меняя код, можно запускать те же приложения на кластерах или облаках (используя MATLAB Parallel Server™). Можно также использовать тулбокс с MATLAB Parallel Server, чтобы выполнить матричные вычисления, которые являются слишком большими, чтобы помещаться в память одной машины.

Запуск

Изучение основ Parallel Computing Toolbox

Основные принципы параллельных вычислений

Выбор решения для параллельных вычислений

Параллельные циклы for-Loops (parfor)

Используйте параллельную обработку при запуске parfor на рабочих в параллельном пуле

Асинхронное параллельное программирование

Выполняйте функции в фоновом режиме, используя parfeval

Обработка Больших данных

Анализируйте наборы больших данных параллельно с помощью распределенных массивов, длинных массивов, хранилищ данных или mapreduce, на Искру® и Хадуп® кластеры

Пакетная обработка

Разгрузка выполнения функций для выполнения в фоновом режиме

Вычисления на графическом процессоре

Ускорите код, запустив его на графическом процессоре

Кластеры и облака

Обнаружение ресурсов кластера и работа с профилями кластеров

Профилирование эффективности

Улучшите эффективность параллельного кода