使用GPU加速MATLAB代码？
AccelerEyes于2012年12月宣布，它将与Mathworks在GPU代码上合作，并已停止使用MATLAB的产品Jacket：
http://blog.accelereyes.com/blog/2012/12/12/exciting-updates-from-accelereyes/
不幸的是，他们不再销售Jacket许可证。
据我所知，基于ArrayFire的Jacket GPU Array解决scheme比由MATLAB提供的gpuArray解决scheme快得多。
我开始使用gpuArray，但是我发现许多函数执行得不好。 例如一个简单的
myArray(:) = 0 很慢。 我写了一些定制的CUDA-Kernels，但是执行不力的标准MATLABfunction增加了很多开销，即使在整个代码中一直使用gpuArrays。 我通过用手工编写的CUDA代码replace了MATLAB代码来解决了一些问题 – 但我不想重新实现MATLAB标准function。
我缺less的另一个function是稀疏的GPUmatrix。
所以我的问题是：
如何加快由MATLAB提供的糟糕实现的默认GPU实现？ 特别是，如何在使用GPU的MATLAB中加速稀疏matrix运算？
MATLAB确实支持基于CUDA的GPU。 您必须从“并行计算工具箱”访问它。 希望这两个链接也有帮助：
并行计算工具箱function
主要特征
- 用于在多个处理器上运行任务并行algorithm的并行for循环（parfor）
- 支持支持CUDA的NVIDIA GPU
- 通过本地运行的工作人员在桌面上充分使用多核处理器
- 计算机集群和网格支持（使用MATLAB分布式计算服务器）
- 交互式和批量执行并行应用程序
- 分布式数组和单一程序多数据（spmd）构造，用于大型数据集处理和数据并行algorithm
MATLAB GPU计算支持支持NVIDIA CUDA的GPU
使用MATLAB进行GPU计算，可以比使用C或Fortran更容易地使用GPU加速应用程序。 使用熟悉的MATLAB语言，您可以充分利用CUDA GPU计算技术，而无需了解GPU架构或低级GPU计算库的复杂性。
您可以使用GPU通过并行计算工具箱使用GPU，该工具箱支持：
- 计算能力为2.0或更高的支持CUDA的NVIDIA GPU 。 对于版本14a和更早版本，计算能力1.3就足够了。
- GPU直接使用MATLAB
- 支持GPU的MATLAB函数 ，如fft，filter和几个线性代数运算
- graphics处理工具箱，通信系统工具箱，统计和机器学习工具箱，neural network工具箱，相控阵系统工具箱和信号处理工具箱（了解GPU支持信号处理algorithm的更多信息）
- CUDA内核集成在MATLAB应用程序中 ，只使用一行MATLAB代码
- 并行计算工具箱和MATLAB分布式计算服务器上使用MATLAB 工作站的桌面和计算机集群上的多个GPU
我有幸参加了AccelerEyes创始人约翰的讲话。 他们没有得到加速，因为他们只是删除了写得不好的代码，并用代码保存了一些在这里和那里的代码。 他们的加速主要是利用caching的可用性，并在内存（GPU）上进行大量操作。 Matlab依靠在GPU和CPU之间传输数据，如果我没有记错的话，那么加速是疯狂的。
