Accelerating the pace of engineering and science

Parallel Computing Toolbox

Support parallèle des tableaux tall

Support parallèle des tableaux tall

Traitez les Big Data avec des tableaux tall en parallèle sur votre ordinateur de bureau, sur MATLAB Distributed Computing Server et sur les clusters Spark

Support des tableaux GPU

Support des tableaux GPU

Utilisez des fonctions gpuArray améliorées, y compris le nouveau solveur itératif creux bicg

Amélioration du menu Parallel

Amélioration du menu Parallel

Utilisez les nouveaux éléments du menu Parallel pour configurer et gérer les ressources basées sur le Cloud

Nouveaux types de données disponibles dans les tableaux distribués

Nouveaux types de données disponibles dans les tableaux distribués

Utilisez des fonctions améliorées afin de créer des tableaux distribués pour les fonctions suivantes : datetime; duration; calendarDuration; string; categorical; et table

Chargement des tableaux distribués

Chargement des tableaux distribués

Chargez des tableaux distribués en parallèle à l’aide de la fonction datastore

Validation du profil de cluster

Validation du profil de cluster

Sélectionnez les étapes de validation à exécuter ainsi que le nombre de workers MATLAB à utiliser

Support des GPU pour les matrices creuses

Support des GPU pour les matrices creuses

Utilisez les fonctions gpuArray pour les matrices creuses sur les GPU

Support des tableaux distribués

Support des tableaux distribués

Utilisez les fonctions de tableaux distributed, incluant les matrices creuses pour les solveurs directs (mldivide) et itératifs (cgs et pcg)

Apprentissage profond (Deep Learning) accéléré avec les GPU

Apprentissage profond (Deep Learning) accéléré avec les GPU

Utilisez Neural Network Toolbox pour entraîner les réseaux de neurones convolutifs avec une accélération par l'utilisation des GPU pour les tâches de classification des images

Fonctions MATLAB compatibles GPU

Fonctions MATLAB compatibles GPU

Accélérez les applications à l'aide de fonctions MATLAB compatibles GPU pour les équations linéaires, les statistiques descriptives et les opérations sur les ensembles

Estimation de gradient parallélisée

Estimation de gradient parallélisée

Accélérez un plus grand nombre de solveurs non linéaires dans Optimization Toolbox grâce à l'estimation parallélisée de la différence finie des gradients et des jacobiens

Support de Hadoop Kerberos

Support de Hadoop Kerberos

Meilleur support de Hadoop dans un environnement certifié Kerberos

Augmentation des limites de transfert de données

Augmentation des limites de transfert de données

Transférez jusqu'à 4 Go de données entre le client et les agents pour n'importe quelle tâche utilisant un cluster d'ordonnanceur de tâches MATLAB

Latest Releases

R2016b (Version 6.9) - 14 sept 2016

La version 6.9, incluse dans la mise à jour 2016b, comporte les améliorations suivantes :

  • Support parallèle des tableaux tall : Traitez les Big Data avec des tableaux tall en parallèle sur votre ordinateur de bureau, sur MATLAB Distributed Computing Server et sur les clusters Spark
  • Support des tableaux GPU : Utilisez des fonctions gpuArray améliorées, y compris le nouveau solveur itératif creux bicg
  • Amélioration du menu Parallel : Utilisez les nouveaux éléments du menu Parallel pour configurer et gérer les ressources basées sur le Cloud
  • Nouveaux types de données disponibles dans les tableaux distribués : Utilisez des fonctions améliorées afin de créer des tableaux distribués pour les fonctions suivantes : datetime; duration; calendarDuration; string; categorical; et table
  • Chargement des tableaux distribués : Chargez des tableaux distribués en parallèle à l’aide de  la fonction datastore
  • Validation du profil de cluster : Sélectionnez les étapes de validation à exécuter ainsi que le nombre de workers MATLAB à utiliser

Pour en savoir plus, reportez-vous aux Notes de mise à jour.

R2016a (Version 6.8) - 3 mars 2016

La version 6.8, incluse dans la mise à jour 2016a, comporte les améliorations suivantes :

  • Support des GPU pour les matrices creuses : Utilisez les fonctions gpuArray pour les matrices creuses sur les GPU
  • Support des tableaux distribués : Utilisez les fonctions de tableaux distributed, incluant les matrices creuses pour les solveurs directs (mldivide) et itératifs (cgs et pcg)
  • Apprentissage profond (Deep Learning) accéléré avec les GPU : Utilisez Neural Network Toolbox pour entraîner les réseaux de neurones convolutifs avec une accélération par l'utilisation des GPU pour les tâches de classification des images
  • Fonctions MATLAB compatibles GPU : Accélérez les applications à l'aide de fonctions MATLAB compatibles GPU pour les équations linéaires, les statistiques descriptives et les opérations sur les ensembles
  • Estimation de gradient parallélisée : Accélérez un plus grand nombre de solveurs non linéaires dans Optimization Toolbox grâce à l'estimation parallélisée de la différence finie des gradients et des jacobiens
  • Support de Hadoop Kerberos : Meilleur support de Hadoop dans un environnement certifié Kerberos
  • Augmentation des limites de transfert de données : Transférez jusqu'à 4 Go de données entre le client et les agents pour n'importe quelle tâche utilisant un cluster d'ordonnanceur de tâches MATLAB

Pour en savoir plus, reportez-vous aux Notes de mise à jour.

R2015b (Version 6.7) - 3 sept 2015

La version 6.7, incluse dans la mise à jour 2015b, comporte les améliorations suivantes :

  • Plus de 90 fonctions compatibles GPU de Statistics and Machine Learning Toolbox, dont les distributions de probabilité, les statistiques descriptives et les tests d'hypothèses
  • Fonctions MATLAB supplémentaires compatibles GPU, dont le support des matrices creuses
  • Fonction mexcuda pour simplifier la compilation des fichiers MEX contenant du code CUDA
  • Scripts d'intégration de l'ordonnanceur pour SLURM
  • Fonction parallel.pool.Constant pour créer des données constantes dans les pools de workers parallèles, accessibles dans des constructions de langages parallèles telles que parfor et parfeval
  • Performances améliorées de mapreduce sur les clusters Hadoop 2

Pour en savoir plus, reportez-vous aux Notes de mise à jour.

R2015a (Version 6.6) - 5 mars 2015

La version 6.6, incluse dans la mise à jour 2015a, comporte les améliorations suivantes :

  • Support de la fonction mapreduce sur n'importe quel cluster supportant les pools parallèles
  • Matrices creuses avec fonctions compatibles GPU
  • Fonctions MATLAB supplémentaires compatibles GPU
  • pagefun support pour les fonctions mrdivide et inv sur les GPU
  • Améliorations des fonctions d’algèbre linéaire compatibles GPU
  • Lectures de données parallèles à partir d'un magasin de données avec la fonction MATLAB partition

Pour en savoir plus, reportez-vous aux Notes de mise à jour.

R2014b (Version 6.5) - 2 oct 2014

La version 6.5, incluse dans la mise à jour 2014b, comporte les améliorations suivantes :

  • Parallélisation de mapreduce sur les agents locaux
  • Fonctions MATLAB compatibles GPU supplémentaires, notamment accumarray, histc, cummax et cummin
  • Prise en charge pagefun pour mldivide sur les GPU
  • Fonctions MATLAB supplémentaires pour les tableaux distribués, notamment fft2, fftn, ifft2, ifftn, cummax, cummin et diff

Pour en savoir plus, reportez-vous aux Notes de mise à jour.