Programmation parallèle asynchrone
parfevalVous 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 prématurément 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 parallèles, 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 élément ou après que tous les éléments d'un tableau Future soient terminés. Ce tableau peut contenir des futures renvoyés par parfeval, parfevalOnAll, afterEach ou afterAll.
Fonctions
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
parfevalfutures and cancel them. - Use afterEach and afterAll to Run Callback Functions
Automatically run functions after
Futureobjects finish running on parallel pools. - Tracé pendant le balayage des paramètres avec parfeval
Cet exemple montre comment effectuer un balayage de paramètres en parallèle avec
parfevalet renvoyer les résultats pendant les calculs avec un objetDataQueue. - 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 lorsque les calculs sont 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
parfevalto 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
spmdagainst other parallel computing functionality such asparforandparfeval. - Receive Communication on Workers
This example shows how to set up 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)
Sélection d՚exemples
Tracé pendant le balayage des paramètres avec parfeval
Cet exemple montre comment effectuer un balayage de paramètres en parallèle avec parfeval et renvoyer les résultats pendant les calculs avec un objet DataQueue.
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.
