Parallel Computing Toolbox
Parallel Computing Toolbox™ vous permet de résoudre des problèmes gourmands en calcul et en données à l'aide de processeurs multicœurs, de GPU et de clusters informatiques. Les constructions de haut niveau (boucles for parallèles, types de tableaux spéciaux et algorithmes numériques parallélisés) vous permettent de faire évoluer les applications MATLAB® sans programmation CUDA® ou MPI. Parallel Computing Toolbox vous permet également d'utiliser des fonctions parallèles dans MATLAB et d'autres toolboxes et d'exécuter plusieurs simulations Simulink® en parallèle. Les programmes et les modèles peuvent s'exécuter en mode interactif et par lots.
La toolbox vous permet d'utiliser toute la puissance de traitement des ordinateurs desktop multicœurs et compatibles GPU en exécutant des applications sur des threads et des processus de travail (moteurs de calcul MATLAB) qui s'exécutent localement. Sans modifier le code, vous pouvez exécuter les mêmes applications sur des clusters ou des clouds (en utilisant MATLAB Parallel Server™). Vous pouvez également utiliser la toolbox avec MATLAB Parallel Server pour exécuter des calculs matriciels trop volumineux pour tenir dans la mémoire d'une seule machine.
Commencer avec Parallel Computing Toolbox
Apprendre les bases de Parallel Computing Toolbox
Principes fondamentaux du calcul parallèle
Choisir une solution de calcul parallèle
Boucles for parallèles (parfor)
Utiliser le traitement parallèle en exécutant parfor
sur les workers d'un pool parallèle
Programmation parallèle asynchrone
Évaluer les fonctions en arrière-plan à l'aide de parfeval
Traitement des Big Data
Analyser de grands ensembles de données en parallèle à l'aide de tableaux distribués, de tall arrays, de datastores ou de mapreduce
, sur des clusters Spark® et Hadoop®
Traitement en batch
Décharger l'exécution des fonctions pour qu'elles s'exécutent en arrière-plan
Calcul GPU
Accélérer votre code en l'exécutant sur un GPU
Clusters et clouds
Découvrir les ressources du cluster et travailler avec les profils du cluster
Profilage des performances
Améliorer les performances du code parallèle