GPU加速MATLAB计算指南

数据库技术的进步、数据挖掘应用的兴起、生物基因技术的不断发展以及历史数据规模的爆炸式增长, 都对高性能计算提出了更高的要求。虽然分布式系统可以部分解决大型计算问题, 但是其通信开销大、故障率高、数据存取结构复杂且开销大、数据安全性和保密性难以控制等问题依然存在。而计算机处理器, 特别是GPU技术的快速发展, 为高性能数据并行计算提供了新的解决方案。

此函数通过GPU实现了矢量化FFT，结果与Matlab的fft和ifft函数相同。需安装Naga K. Govindaraju的GPUFFTW2.0库，详见http://gamma.cs.unc.edu/GPUFFTW/。适用于Linux和Windows，支持实数和复数FFT，特别适合超过2^20点的大规模FFT。为获得最佳性能，推荐使用AGP8X/PCI-Express NVIDIA GeForce 6800 GT或更快的GPU，视频RAM决定GPU可处理的最大FFT数组长度。

这篇文章介绍了一种新开发的基于频域的维纳滤波器算法，专为GPU设计，以增强图像的去斑效果，并考虑了图像的局部特征。该方法在Matlab R2018b环境下开发，要求使用CUDA v9.1和cudnn v7.1.3进行GPU加速。研究由那不勒斯大学“Parthenope”完成，仅限于非营利用途。引用时请参考文献 B. Kanoun、G. Ferraioli、V. Pascazio和G. Schirinzi（2019）。

该MatLAB函数用于根据给定的阻尼比（例如，5%的临界值）生成伪谱加速度（PSA）、伪谱速度（PSV）和谱位移（SD）谱。谱坐标适用于单位质量的线弹性单自由度系统。示例demo.m文件位于压缩文件夹中，展示了如何使用该函数，并包含了PSA、PSV和SD谱的绘图功能。

然而，这本书采取了另一种方法。本书面向开发或维护MATLAB应用程序的学生、科学家和工程师，希望通过GPU编程加速其代码，同时不失MATLAB提供的诸多优势。本书的读者可能对MATLAB编码有一定或较多的经验，但对并行架构不甚熟悉。

PG_strom搭建指南 本指南将引导您完成GPU数据库PG_strom的搭建步骤，包含PostgreSQL的安装和PG_strom的安装。 PostgreSQL安装 从PostgreSQL官网获取对应操作系统的安装包。 根据官方文档进行安装，并根据实际需求进行配置。 PG_strom安装 确认已安装CUDA驱动。 从PG_strom官网获取对应版本的安装包。 参照官方文档进行安装，并根据实际需求进行配置。 完成上述步骤后，您即可使用PG_strom进行GPU加速的数据处理。

Matlab开发-Agpumandelbrotset。利用Matlab和GPU探索曼德博集。

《MATLAB 科学计算精通指南》深入剖析 MATLAB 的科学计算能力，提供丰富的示例和详细的讲解，助您提升 MATLAB 技能。

这是STOMP算法的GPU实现，它将时间序列作为输入并计算特定窗口大小的矩阵轮廓。为了获得附加功能和更好的性能，建议使用至少CUDA工具包版本9.0，并且需要支持CUDA的NVIDIA GPU。您可以在Linux下使用Makefile构建，但在Windows下尚未经过测试。对于不同的GPU架构，您可以调整ARCH的值以匹配相应的计算能力。确保CUDA_DIRECTORY正确设置为系统中安装CUDA的路径，通常在Linux下为/usr/local/cuda-(VERSION)/。默认情况下，内核参数仅针对Volta优化，如果目标是Pascal或更早的版本，请相应地调整STOMP.cu中的设置。