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 d'ordinateurs. 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 boîtes à outils et d'exécuter plusieurs simulations Simulink® en parallèle. Les programmes et les modèles peuvent s'exécuter en mode interactif et par lots
La boîte à outils vous permet d'utiliser toute la puissance de traitement des bureaux multicœurs et compatibles GPU en exécutant des applications sur des threads et des processus (moteurs de calcul MATLAB) qui s'exécutent localement. Sans modifier le code, vous pouvez exécuter les mêmes applications sur des clusters ou des cloud (en utilisant MATLAB Parallel Server™). Vous pouvez également utiliser la boîte à outils avec MATLAB Parallel Server pour exécuter des calculs matriciels trop volumineux pour tenir dans la mémoire d'une seule machine.
Commencez avec Parallel Computing Toolbox
Apprendre les bases de Parallel Computing Toolbox
Fondamentaux du calcul parallèle
Choisissez une solution de calcul parallèle
Boucles for parallèles (parfor)
Utilisez le traitement parallèle en exécutant parfor
sur les nœuds de calcul dans un pool parallèle
Programmation parallèle asynchrone
Évaluez les fonctions en arrière-plan à l'aide de parfeval
Traitement Big Data
Analysez des ensembles de Big Data en parallèle à l'aide de tableaux distribuées, de tall arrays, de datastores ou de mapreduce
, sur des clusters Spark® et Hadoop®.
Le traitement en batch
Décharger l'exécution des fonctions à exécuter en arrière-plan
Calcul GPU
Accélérez votre code en l'exécutant sur un GPU
Clusters et clouds
Découvrez les ressources du cluster et travaillez avec les profils de cluster
Profilage des performances
Améliorer les performances du code parallèle