平台自营

5.00

商品评价 5

服务态度 5

发货速度 5

微信扫码查看移动端店铺

店铺

暂无联系方式

店内分类

商品详情

商品名称：加速MATLAB编程指南——CUDA实现

商品编号：588644279965

店铺：

重量：0.000千克

上架时间：2020-08-27 09:20:21

ISBN编号：9787302493174

书名：加速MATLAB编程指南——CUDA实现,加速MATLAB编程指南——CUDA实现

作者：赵地

出版社名称：清华大学出版社

定价：59.00元

开本：16开

是否是套装：否

更多参数>>

从20世纪70年代Cleve Moler开发MATLAB开始， MATLAB受到学术界和工业界的欢迎，用户超过200万。然而，很多算法的MATLAB实现代码都有加速的需求。以深度学习为例，相关的MATLAB代码需要运行数小时甚至数天的时间。GPU计算和CUDA编程为MATLAB加速提供了很好的解决方案。现代的硬件技术的发展，使MATLAB程序的开发者和使用者能够拥有多核（multicore）、大内存等有效工具；图形处理器（Graphics Processing Unit，GPU）具有很好的加速能力。同时，一些公司还推出了专用的计算加速卡，如英伟达公司的Tesla系列计算加速卡、AMD公司的Fire Pro系列计算加速卡、Intel公司的Xeon Phi计算加速卡等。GPU是现代计算机必备的配件，都有不错的加速能力。GPU的主要生产厂商包括英伟达公司和AMD公司。MATLAB通过并行计算工具箱（Parallel Computing Toolbox，PCT）对英伟达公司的GPU单卡提供支持，MATLAB的开发者和使用者可以通过PCT使用英伟达公司生产的GPU。需要英伟达公司GPU多卡的计算 ...

基本信息

商品名称：	加速MATLAB编程指南——CUDA实现	开本：	16开
作者：	赵地	定价：	59.00
ISBN号：	9787302493174	出版时间：	2018-07-18
出版社：	清华大学出版社	印刷时间：	2018-07-08
版次：	1	印次：	1

目录第1章绪论 1.1MATLAB程序的加速 1.2MATLAB程序加速的可能途径 1.2.1基于多核CPU的MATLAB程序加速 1.2.2基于大内存的MATLAB程序加速 1.2.3基于英伟达公司GPU的MATLAB程序加速 1.2.4基于AMD公司GPU的MATLAB程序加速 1.2.5基于Intel公司Xeon Phi的MATLAB程序加速 1.3MATLAB程序加速的度量 1.4基于GPU计算的MATLAB程序的编制 1.4.1并行计算工具箱简介 1.4.2CUDA库 1.4.3CUDA编程第2章MATLAB程序的性能评估 2.1bench()函数 2.2tic()函数/toc()函数 2.3timeit()函数 2.4cputime()函数 2.5clock()函数和etime()函数 2.6gputimeit()函数 2.7MATLAB探查器第3章基于多核处理器的MATLAB程序加速 3.1MATLAB矩阵及运算符 3.1.1MATLAB矩阵的创建 3.1.2矩阵的性质的检验 3.1.3MATLAB矩阵的操作 3.2MATLAB函数 3.2.1MATLAB函数的定义 3.2.2MATLAB函数的执行 3.3语句与代码 3.3.1分支结构 3.3.2循环结构 3.4MATLAB代码 3.5MATLAB并行设置 3.6基于并行for循环(parfor循环)的MATLAB程序加速第4章基于大内存的MATLAB程序的加速 4.1内存条的选择与安装 4.2内存预分配 4.2.1已知数组大小 4.2.2未知数组大小 4.3MATLAB向量化简介 4.4MATLAB矩阵运算的向量化 4.4.1创建MATLAB矩阵的函数 4.4.2数据复制 4.4.3MATLAB的矩阵变换函数 4.4.4索引 4.4.5矩阵操作的向量化 4.4.6符合条件的元素总数 4.5MATLAB函数的向量化 4.5.1基于arrayfun()函数、bsxfun()函数、cellfun()函数、spfun()函数和structfun()函数的向量化 4.5.2基于pagefun()函数的向量化 4.6MATLAB语句的向量化第5章基于并行计算工具箱的MATLAB加速 5.1GPU卡的选择与安装 5.1.1GPU卡的选择 5.1.2电源功率 5.1.3散热问题 5.2基于并行计算工具箱的GPU计算简介 5.3基于并行计算工具箱的矩阵运算 5.3.1在设备端(GPU端)直接创建MATLAB矩阵 5.3.2在设备端(GPU端)生成随机数矩阵 5.3.3设备端(GPU端)的稀疏矩阵 5.3.4设备端(GPU端)矩阵的数据类型 5.3.5设备端(GPU端)矩阵的检验 5.3.6设备端(GPU端)矩阵的操作 5.4基于并行计算工具箱的设备端(GPU端)函数 5.4.1设备端(GPU端)函数的定义 5.4.2设备端(GPU端)函数的执行 5.5基于设备端(GPU端)大内存的MATLAB程序的加速 5.6例子 5.6.1卷积神经网络前向传播的卷积层 5.6.2卷积神经网络前向传播的激活函数 5.6.3卷积神经网络前向传播的降采样层 5.6.4卷积神经网络后向传播的升采样层 5.6.5卷积神经网络后向传播的卷积层 5.6.6卷积神经网络后向传播中的梯度计算第6章MATLAB与C/C 的接口 6.1MEX库API 6.1.1MEX相关的函数 6.1.2从MEX中调用MATLAB函数 6.1.3mexGet()函数 6.1.4MEX库API与输入输出相关的函数 6.1.5MEX库API与锁定相关的函数 6.2MATLAB的C/C 矩阵库API 6.2.1定义MEX函数的数据类型 6.2.2创建数组、分配内存和释放内存 6.2.3数据类型校验：数组的数据类型和性质 6.2.4数据存取：从数组读取和写入数据 6.2.5数据类型转换：将字符串数组和结构数组转换成对象数组 6.3MEX函数编译器 6.3.1MEX介绍 6.3.2编译MEX 6.3.3MEX文件的查错第7章基于CUDA库的MATLAB加速 7.1基于CUDA库的MATLAB加速简介 7.2基于ArrayFire库的MATLAB加速简介 7.2.1ArrayFire简介 7.2.2ArrayFire数组 7.2.3ArrayFire函数 7.2.4CUDA的混合编程 7.2.5实例 7.3基于其他CUDA库的MATLAB加速简介第8章GPU计算简介 8.1芯片技术的发展与摩尔定律 8.2每秒浮点运算次数 8.3GPU计算加速的度量&n

第5章基于并行计算工具箱的MATLAB加速第3章讨论了基于多核处理器的MATLAB程序加速，第4章介绍了MATLAB程序的向量化。本章主要介绍基于并行计算工具箱的MATLAB程序的加速。5.1GPU卡的选择与安装GPU卡的选择与安装包括以下GPU卡的选择、电源功率、散热问题等方面，具体叙述如下。5.1.1GPU卡的选择英伟达公司生产的GPU有GeForce、Quadro、Tesla等多个系列。其中，GeForce系列面向游戏方面的应用，Quadro系列面向设计方面的应用，Tesla系列面向高性能计算方面的应用。GeForce系列的GeForce GTX 1080 Ti型GPU的峰值速度约为106TFLOPS。Tesla系列P100型GPU的双精度峰值速度约为53TFLOPS，单精度峰值速度约为106TFLOPS。特别的，Tesla系列P100型GPU的半精度峰值速度约为212TFLOPS，所以，Tesla系列P100型GPU特别适合于与深度学习相关的计算。5.1.2电源功率GPU所需要的电源功率较大。以GeForce系列GTX 1080 Ti型GPU为例，显卡功率为250W，建议系统功率为600W。大部分计算机配置的电源达不到GPU建议系统功率的要求。因此，需要更换更大功率的计算机电源。5.1.3散热问题GPU的工作温度较高。以GeForce系列GTX 1080 Ti型GPU为例，*允许工作温度为91℃，因为GPU的散热问题非常重要。从散热的方式来分，GeForce系列GPU都为主动散热方式，Tesla系列GPU的K40以及更早的型号为主动散热方式，而K80以及更晚的型号为被动散热方式。被动散热方式的GPU依靠服务器提供散热，而服务器需要放置在机房内。可以选择主动散热方式的GeForce系列GPU，如GeForce系列GTX 1080 Ti型GPU。5.2基于并行计算工具箱的GPU计算简介MATLAB所有的数据都以矩阵的形式存在。那么，MATLAB矩阵是如何在设备端(GPU端)创建和操作的呢？1. 设备端(GPU端)矩阵的创建GPU上MATLAB数组的创建通过MATLAB并行计算工具箱的相关函数完成，相关函数介绍如下。gpuDeviceCount()函数用于计算设备端(GPU端)GPU的总数。MATLAB的gpuDevice()函数用于选择一个GPU设备。例如，在MATLAB命令行输入gpuDevice，MATLAB的输出为：
CUDADevice (具有属性):

Name:"GeForce GTX 1080 Ti" Index:1 ComputeCapability:"6.1" SupportsDouble:1 DriverVersion:8 ToolkitVersion:7.5000 MaxThreadsPerBlock:1024 MaxShmemPerBlock:49152 MaxThreadBlockSize:［1024 1024 64］ MaxGridSize:［2147483647 65535 65535］ SIMDWidth:32 TotalMemory:2.1475e 09 AvailableMemory:2.0331e 09 MultiprocessorCount:3584 ClockRateKHz:1582000 ComputeMode:"Default" GPUOverlapsTransfers:1 KernelExecutionTimeout:1 CanMapHostMemory:1 DeviceSupported:1 DeviceSelected:1

gpuDevice()函数的输出结果对GPU进行基本介绍，每一项的含义如下：  Name：表示当前GPU的类型。本例显示当前GPU的型号是GeForce GTX 1080 Ti。 Index：表示当前GPU的序号。本例显示当前GPU的序号是1。 ComputeCapability：表示当前GPU的计算能力。本例显示当前GPU的计算能力为6.1版本。 SupportsDouble：是否支持双精度。本例显示当前GPU支持双精度。 DriverVersion： CUDA驱动程序版本。本例显示当前GPU的CUDA驱动程序版本是8。 ToolkitVersion： CUDA版本。本例显示当前GPU的CUDA驱动程序是75版本。 MaxThreadsPerBlock：每个线程块包含的*线程数目。本例显示当前GPU的每个线程块包含的*线程数目是1024。 MaxShmemPerBlock：每个线程块包含*共享内存数目。本例显示当前GPU的每个线程块包含*共享内存数目是49152字节。 MaxThreadBlockSize： *线程块大小。本例显示当前GPU的每个线程块包含*线程块是［1024102464］。 MaxGridSize： *线程网格大小。本例显示当前GPU的每个线程块包含*线程网格是［21474836476553565535］。 SIMDWidth： warp包含的线程数目。本例显示当前GPU的每个warp包含的线程数目是32。 TotalMemory：总内存大小。本例显示当前GPU的总内存是2.1475e 09字节。 AvailableMemory：可用内存大小。本例显示当前GPU的可用内存是20331e 09字节。 MultiprocessorCount： CUDA核数目。本例显示当前GPU的CUDA核数目是3584。 ClockRateKHz： GPU时钟频率。本例显示当前GPU的时钟频率是1582MHz。 ComputeMode：计算模式。本例显示当前GPU的计算模式是默认模式。 GPUOverlapsTransfers：是否支持重叠传输模式。本例显示当前GPU的支持重叠传输模式。 KernelExecutionTimeout： CUDA核执行超时设置。本例显示当前GPU的CUDA核执行超时设置是开。 CanMapHostMemory：是否支持主机端(CPU端)内存映射。本例显示当前GPU支持主机端(CPU端)内存映射。 DeviceSupported： MATLAB支持的GPU数目。本例显示MATLAB支持的GPU数目是1个。 DeviceSelected： MATLAB的当前GPU数目。本例显示MATLAB的当前GPU数目是1个。从以上输出可以看出，当前计算机配备了一块GeForce GTX 1080 Ti的GPU，包含11GB的总内存(total memory)和3584个CUDA核。其中非常有价值的信息是总内存和可用内存(available memory)，这些信息决定着gpuArray数组的*范围，也是将设备端(GPU端)的MATLAB向量化的*重要指标之一。2. 在主机端(CPU端)内存和GPU内存之间传递MATLAB数组在主机端(CPU端)内存，即MATLAB工作区(worksplace)和GPU内存之间传递MATLAB数组包括两种情况：从主机端(CPU端)向设备端(GPU端)发送MATLAB数组和从设备端(GPU端)向主机端(CPU端)发送MATLAB数组。可以通过gpuArray()函数实现从主机端(CPU端)向设备端(GPU端)发送

MATLAB是广泛应用的算法开发语言之一。然而，MATLAB简单易用的特性与算法复杂性的矛盾，造成了各个领域的MATLAB程序运行缓慢。本书总结了作者多年来在算法开发工作中关于MATLAB程序加速的实战经验，系统地介绍了利用GPU计算能力和CUDA编程语言实现加速MATLAB编程的方法。本书首先介绍了MATLAB程序的性能评估的方法，帮助读者找到制约MATLAB程序运行速度的“瓶颈”所在；接着循序渐进地介绍加速MATLAB编程的方法，包括基于多核处理器的MATLAB程序加速、基于大内存和向量化的MATLAB程序加速、基于并行计算工具箱和GPU计算的MATLAB加速、基于CUDA库的MATLAB加速、基于CUDA语言的MATLAB加速等。同时，本书附带了大量程序实例，包括深度学习及大数据分析领域的例子，深入浅出地示范各种基于CUDA语言的MATLAB程序加速的技巧。本书可帮助读者对所在领域的MATLAB应用程序进行显著加速，大幅提升算法开发的效率。

赵地获得美国路易斯安娜理工大学（Louisiana Tech University）计算机与应用数学专业博士学位，曾在美国哥伦比亚大学（Columbia University）和美国俄亥俄州立大学（The Ohio State University）从事博士后研究工作。赵地博士在GPU计算方面具有丰富的研究经验，发表了多篇学术论文和会议论文。现任CNIC-英伟达公司GPU研究中心（GPU Research Center, GRC）、CNIC-英伟达公司GPU教育中心（GPU Education Center, GEC）和CNIC-英伟达公司“智慧医疗”联合实验室负责人；中国图象图形学学会视觉大数据专业委员会委员，CCF会员。