Principes fondamentaux du calcul parallèle
Le calcul parallèle peut vous aider à résoudre de gros problèmes informatiques de différentes manières. MATLAB® et Parallel Computing Toolbox™ fournissent un environnement de programmation interactif pour vous aider à résoudre vos tâches informatiques. Si votre code s'exécute trop lentement, vous pouvez le profiler, le vectoriser et utiliser la prise en charge intégrée du calcul parallèle MATLAB. Vous pouvez ensuite essayer d’accélérer votre code en utilisant parfor sur plusieurs workers MATLAB dans un pool parallèle. Si vous disposez de données volumineuses, vous pouvez les faire évoluer à l'aide de tableaux distribués ou de datastore. Vous pouvez également exécuter une task sans attendre qu'elle soit terminée, en utilisant parfeval, afin de pouvoir continuer avec d'autres tasks. Vous pouvez utiliser différents types de matériel pour résoudre vos problèmes de calcul parallèle, notamment des ordinateurs desktop, des GPU, des clusters et des clouds. Pour commencer, voir Quick Start Parallel Computing in MATLAB.
Fonctions
Rubriques
Notions de base
- Choisir une solution de calcul parallèle
Découvrir les fonctionnalités les plus importantes offertes par MATLAB et Parallel Computing Toolbox pour résoudre votre problème de calcul parallèle. - Parallel Language Decision Tables
Discover example use cases for common parallel computing language features. - Quick Start Parallel Computing in MATLAB
Learn about parallel computing in MATLAB and Parallel Computing Toolbox. - Exécuter les fonctions MATLAB avec Automatic Parallel Support
Profiter des ressources de calcul parallèle sans nécessiter de codage supplémentaire. - Exécuter des boucles interactives en parallèle à l'aide de parfor
Convertir une boucleforen une boucleparforévolutive. - Choose How to Manage Data in Parallel Computing
Determine the data management approach that meets your parallel computing requirements. - Tracé pendant le balayage des paramètres avec parfor
Effectuez un balayage de paramètres en parallèle et tracez la progression pendant les calculs parallèles. - Scale Up from Desktop to Cluster
Develop your parallel MATLAB® code on your local machine and scale up to a cluster. - Run Batch Parallel Jobs
Use batch to offload work from your MATLAB session to run in the background. - Process Big Data in the Cloud
This example shows how to access a large data set in the cloud and process it in a cloud cluster using MATLAB® capabilities for big data. - Evaluate Functions in the Background Using parfeval
Break out of an optimizing loop early and collect results as they become available. - Exécuter les fonctions MATLAB sur un GPU
Fournir un argumentgpuArraypour exécuter automatiquement des fonctions sur un GPU. - Train Network in the Cloud Using Automatic Parallel Support (Deep Learning Toolbox)
This example shows how to train a convolutional neural network using MATLAB® automatic support for parallel training.
Apprendre encore plus
- Qu'est-ce que le calcul parallèle ?
En savoir plus sur MATLAB et Parallel Computing Toolbox . - Exécuter du code sur des pools parallèles
Découvrir comment démarrer et arrêter les pools parallèles, la taille du pool et la sélection du cluster. - Choose Between Thread-Based and Process-Based Environments
With Parallel Computing Toolbox, you can run your parallel code in different parallel environments, such as thread-based or process-based environments. - Run MATLAB Functions in Thread-Based Environment
Check support for MATLAB functions that you want to run in the background. - Set Environment Variables on Workers
Copy system environment variables from the client to workers in a cluster. - Write Portable Parallel Code
Write parallel code that can use parallel resources if you have Parallel Computing Toolbox and that still runs if you do not have Parallel Computing Toolbox.
Sélection d՚exemples
Illustrating Three Approaches to GPU Computing: The Mandelbrot Set
Adapt your MATLAB® code to compute the Mandelbrot Set using a GPU.
Use parfor to Speed Up Monte-Carlo Code
Speed up Monte-Carlo code by using parfor-loops. Monte-Carlo methods are found in many fields, including physics, mathematics, biology, and finance. Monte-Carlo methods involve executing a function many times with randomly distributed inputs. With Parallel Computing Toolbox™, you can replace a for-loop with a parfor-loop to easily speed up code.
