Accelerazione e parallelizzazione del codice MATLAB

Dettagli dei corsi

Questo corso della durata di due giorni fornisce una varietà di tecniche per velocizzare l'esecuzione del proprio codice MATLAB^®. Verranno identificati e rimossi colli di bottiglia computazionali utilizzando tecniche quali la preallocazione e la vettorizzazione. Si compilerà inoltre il codice di MATLAB in file MEX tramite MATLAB Coder™. Si sfrutteranno inoltre i core multipli del proprio computer parallelizzando i for loop con Parallel Computing Toolbox™, potendo scalare tra cluster o cloud che vanno da un numero moderato di core all’High Performance Computing (HPC), utilizzando MATLAB Parallel Server™. L'interazione tra questi concetti sarà illustrata durante tutto il corso. Se si lavora con simulazioni a lunga esecuzione, risulteranno utili le dimostrazioni e gli esercizi pratici del corso.

Elenco degli argomenti:

Miglioramento delle performance di MATLAB di base
Generazione di file MEX
Parallelizzazione di calcoli
Esecuzione di offload
Utilizzo dei cluster
Elaborazione GPU

Giorno 1/2

Miglioramento delle prestazioni

Obiettivo: Analizzare le prestazioni del codice e utilizzare le tecniche di accelerazione da MATLAB.

Identificazione dei colli di bottiglia
Preallocazione di array
Vettorizzazione delle operazioni con diversi metodi
Riscrittura di algoritmi

Generazione di file MEX

Obiettivo: Generare file di codice compilati dal codice MATLAB per migliorare le prestazioni.

Panoramica su workflow su MATLAB Coder
Generazione e verifica di file MEX
Richiamo di funzioni non supportate
Adattamento delle impostazioni per la generazione di file MEX

Parallelizzazione di calcoli

Obiettivo: Parallelizzare l'esecuzione del codice per sfruttare i core multipli.

Apertura di ulteriori processi di MATLAB
Esecuzione di for loop paralleli
Misurazione della velocizzazione
Elaborazione di più file in parallelo

Giorno 2/2

For loop paralleli

Obiettivo: Analizzare i for loop in maggior dettaglio e applicare tecniche di conversione da for loop a parfor loop.

Requisiti dei for loop paralleli
Parallelizzazione di for loop
Richiamo di risultati intermedi

Esecuzione di offload

Obiettivo: Eseguire l'offload dei calcoli a un altro processo di MATLAB per poter utilizzare nel frattempo MATLAB per altre attività. Si tratta anche di una fase di preparazione all'utilizzo dei cluster.

Elaborazione in batch
Creazione di lavori in batch
Richiamo dei risultati
Utilizzo di Job Monitor

Utilizzo dei cluster

Obiettivo: Accelerare i calcoli e ottenere simulazioni più estese con l'utilizzo di più computer.

Cluster locali e remoti
Licenze dinamiche
Individuazione e connessione di cluster
Considerazioni sull'accesso ai file

Calcolo GPU

Obiettivo: Eseguire il codice MATLAB sulla scheda grafica (GPU) del computer in uso come ulteriore opzione per velocizzare i calcoli.

Panoramica sull'architettura e sull'elaborazione GPU
Applicazioni adatte all'elaborazione GPU
Richiamo di funzioni di MATLAB sulla GPU
Generazione di file MEX CUDA^® con GPU Coder™
Utilizzo di codice CUDA già esistente

Livello: Intermedio

Prerequisiti:

Fondamenti MATLAB o esperienza equivalente nell'uso di MATLAB

Durata: 2 giorni

Lingue: Deutsch, English, 한국어

Guarda il programma e iscriviti

Corsi correlati

Elaborazione di Big Data in MATLAB

Rappresenta i big data in MATLAB, modifica il codice esistente per lavorarci in modo efficiente e scala l'analisi per sfruttare le tue risorse di calcolo o il Cloud.

Per saperne di più

Da MATLAB a C con MATLAB Coder

Prepara il codice MATLAB per la generazione di codice C, lavora con dati a dimensione fissa e variabile e integra il codice generato in progetti genitore e moduli esterni.

Per saperne di più

Tecniche di ottimizzazione in MATLAB

Esegui problemi di ottimizzazione in MATLAB, specifica funzioni obiettivo e vincoli, scegli i solutori e migliora le prestazioni.

Registrati