Matlab本就擅長矩陣計算，其借助CUDA工具箱調用Nvidia?GPU加速并行運算，可以起到如虎添翼的效果。今天給大家介紹一下CUDA的基礎知識以及如何快速在Matlab中調用工具箱對程序進行加速。

CUDA，Compute Unified Device Architecture 統一計算設備架構

CUDA編程模型是將CPU作為主機，GPU作為協處理器或者叫設備，一般情況下，CPU負責進行邏輯性強的事務處理和串行計算，GPU則專注于執行高度線程化的并行處理任務。各自擁有相互獨立的存儲地址空間，也就是主機端的內存和設備端的顯存。

操作顯存需要調用CUDA API中的存儲器管理函數，操作包括開辟、釋放、初始化顯存空間等，在主機端和設備端之間進行數據傳輸等。運行在GPU上的CUDA并行計算函數稱為Kernel(內核函數)，一個kernel函數并不是一個完整的程序，而是整個程序中的一個可以被并行執行的步驟，一個完整的CUDA程序是有一系列的設備端Kernel函數并行步驟和主機端的串行處理步驟共同完成。

Matlab目前僅支持Nvidia顯卡，想知道自己的電腦有沒有這個能力，在Matlab中運行?gpuDevice即可，這是在筆記本的Matlab2018b中運行的結果。可以看出顯卡是“GeForce MX150”，其計算能力為6.1。計算能力的小數點前的第一位表示設備核心架構，小數點后的一位表示更加細微的進步，包括對核心架構的改進和功能的完善。

除了反映計算架構版本的計算能力，還有這些涉及到資源總量的參數也實實在在影響到GPU的計算性能。Kernel以線程網格(Grid)的形式組織，每個Grid由若干個線程塊(block)組成，每個block由若干個線程(thread)組成。

Kernel以block為單位執行，Grid只是用來表示一系列可以被并行執行的block集合，而block間無法通信，沒有執行順序。本機中相關資源的數量介紹：

MaxThreadsPerBlock: 1024，每個block最大的線程數；

MaxShmemPerBlock: 49152，每個block可用的最大共享內存大小；

MaxThreadBlockSize: [1024 1024 64]，三個維度各自最大的線程數量；

MaxGridSize: [2.1475e+09 65535 65535]，三個維度各自最大的Grid數量；

TotalMemory: 2.1475e+09，AvailableMemory: 1.6579e+09，顯存2G，實際可用1.6G。

在Matlab中最簡單的調用方法是使用gpuArray()函數數據放到GPU上運算，再用gather()函數將結果取回。下面的簡單示例說明工作區的變量a通過gpuArray函數被放到了GPU中，在GPU中完成了取絕對值的計算，并通過gather函數將結果取回。

你也可以直接在GPU中產生數據進行運算，例如上圖中的變量e。這只是一個簡單的示例，更多的內容還需要你根據自己的需求去應用。下圖顯示的是Matlab自帶的并行計算工具箱。

對于一些復雜的無法用matlab內部函數進行GPU加速的代碼，Matlab還提供了一個更強大的工具，就是調用.cu文件。matlab+c混合編程把.c,.cc,.cpp等文件編譯為能夠使用的mex文件。對于CUDA程序.cu，matlab也提供了一套方法來調用，最終編譯成.ptx文件。需要了解的請自行搜索查找方法。

對在Matlab中進行GPU編程感興趣的給我們“雷達通信電子戰”微信公眾號發送“190206”可獲得相關參考資料進行深入學習。

加速Matlab程序的1001個“小技巧”

FPGA/DSP/GPU，加速雷達信號處理

雷達信號處理實現，選擇FPGA還是GPU?

《全場通用》服務說明

閱讀原文，更多精彩等著你！

總結

以上是生活随笔為你收集整理的gpu处理信号_GPU中的并行运算，加速你的Matlab程序的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。