Cette page a été traduite par traduction automatique. Cliquez ici pour voir la version originale en anglais.

Programmation parallèle asynchrone

Évaluez les fonctions en arrière-plan à l'aide de parfeval

Vous pouvez évaluer une fonction en arrière-plan sans attendre qu'elle se termine, en utilisant parfeval. Dans de nombreux cas, il peut être pratique de sortir rapidement d’une boucle for. Par exemple, dans une procédure d’optimisation, vous pouvez arrêter la boucle plus tôt lorsque le résultat est suffisamment bon. Vous pouvez le faire sur un ou tous les workers de pool parallèle, en utilisant parfeval ou parfevalOnAll. Cela peut être utile si vous souhaitez pouvoir tracer des résultats intermédiaires. Notez que cela est différent de l'utilisation de parfor, où vous devez attendre que la boucle se termine.

Utilisez send et poll ensemble pour envoyer et interroger des messages ou des données provenant de différents workers à l'aide d'une file d'attente de données. Vous pouvez utiliser afterEach pour ajouter une fonction à appeler lorsque de nouvelles données sont reçues d'une file d'attente de données.

Utilisez afterEach et afterAll pour appeler automatiquement des fonctions après chaque ou après que tous les éléments d'un tableau Future soient terminés. Ce tableau peut contenir des futures renvoyées par parfeval, parfevalOnAll, afterEach ou afterAll.

Fonctions

développer tout

Fonctions et classes

`parfeval`	Exécuter la fonction sur le worker de pool parallèle
`parfevalOnAll`	Run function asynchronously on all workers in parallel pool
`ticBytes`	Start counting bytes transferred within parallel pool
`tocBytes`	Read how many bytes have been transferred since calling `ticBytes`
`send`	Send data from worker to client using a data queue
`poll`	Retrieve data sent from a worker
`afterEach`	Define a function to call when new data is received on a DataQueue
`afterEach`	Run function after each function finishes running in the background
`afterAll`	Run function after all functions finish running in the background
`fetchOutputs`	Retrieve results from function running in the background
`fetchNext`	Retrieve next unread outputs from `Future` array
`cancel`	Stop function running in the background
`cancelAll`	Cancel all jobs or tasks (depuis R2022a)
`wait`	Wait for futures to complete
`Future`	Function scheduled to run
`parallel.Pool`	Pool parallèle de workers
`parallel.pool.DataQueue`	Send and listen for data between client and workers
`parallel.pool.PollableDataQueue`	Send and poll data between client and workers

Rubriques

Evaluate Functions in the Background Using parfeval
Break out of an optimizing loop early and collect results as they become available.
Query and Cancel parfeval Futures
This example shows how to query the state of parfeval futures and cancel them.
Use afterEach and afterAll to Run Callback Functions
Automatically run functions after Future objects finish running on parallel pools.
Tracer pendant le balayage des paramètres avec parfeval
Cet exemple montre comment effectuer un balayage de paramètres parallèle avec parfeval et renvoyer les résultats pendant les calculs avec un objet DataQueue.
Mettre à jour l'interface utilisateur de manière asynchrone à l'aide de afterEach et afterAll
Cet exemple montre comment mettre à jour une interface utilisateur une fois les calculs terminés.
Perform Webcam Image Acquisition in Parallel with Postprocessing
This example shows how to perform frame acquisition from a webcam in parallel with data postprocessing.
Perform Image Acquisition and Parallel Image Processing
This example shows how to perform image acquisition from a webcam and postprocess data in parallel.
Train Deep Learning Networks in Parallel (Deep Learning Toolbox)
This example shows how to run multiple deep learning experiments on your local machine.
Use parfeval to Train Multiple Deep Learning Networks (Deep Learning Toolbox)
This example shows how to use parfeval to perform a parameter sweep on the depth of the network architecture for a deep learning network and retrieve data during training.
Choose Between spmd, parfor, and parfeval
Compare and contrast spmd against other parallel computing functionality such as parfor and parfeval.
Receive Communication on Workers
This example shows how to setup a data queue on the workers to receive data. (depuis R2023b)
Interactively Import and Process Data in Parallel
This example shows how to import and process data simultaneously in an interactive parallel pool. (depuis R2023b)

Exemples présentés

Tracer pendant le balayage des paramètres avec parfeval

Cet exemple montre comment effectuer un balayage de paramètres parallèle avec parfeval et renvoyer les résultats pendant les calculs avec un objet DataQueue.

Ouvrir le live script

Train Deep Learning Networks in Parallel

Run multiple deep learning experiments on your local machine. Using this example as a template, you can modify the network layers and training options to suit your specific application needs. You can use this approach with a single or multiple GPUs. If you have a single GPU, the networks train one after the other in the background. The approach in this example enables you to continue using MATLAB® while deep learning experiments are in progress.