包邮GPU与MATLAB混合编程

前言第1章  不使用gpu实现matlab加速1.1  本章学习目标1.2  向量化1.2.1  元素运算1.2.2  向量/矩阵运算1.2.3  实用技巧1.3  预分配1.4  for-loop1.5  考虑稀疏矩阵形式1.6  其他技巧1.6.1  尽量减少循环中的文件读/写1.6.2  尽量减少动态改变路径和改变变量类型1.6.3  在代码易读性和优化间保持平衡1.7  实例第2章  matlab和cuda配置2.1  本章学习目标2.2  配置matlab进行c-mex编程2.2.1  备忘录2.2.2  编译器的选择2.3  使用c-mex实现“hello，mex!”2.4  matlab中的cuda配置2.5  实例：使用cuda实现简单的向量加法2.6  图像卷积实例2.6.1  matlab中卷积运算2.6.2  用编写的c-mex计算卷积2.6.3  在编写的c-mex中利用cuda计算卷积2.6.4  简单的时间性能分析2.7  总结第3章  通过耗时分析进行*优规划3.1  本章学习目标3.2  分析matlab代码查找瓶颈3.2.1  分析器的使用方法3.2.2  针对多核cpu更精确的耗时分析3.3  cuda的c-mex代码分析3.3.1  利用visualstudio进行cuda分析3.3.2  利用nvidiavisual profiler进行cuda分析3.4  c-mex调试器的环境设置第4章  利用c-mex进行cuda编程4.1  本章学习目标4.2  c-mex中的存储布局4.2.1  按列存储4.2.2  按行存储4.2.3  c-mex中复数的存储布局4.3  逻辑编程模型4.3.1  逻辑分组14.3.2  逻辑分组24.3.3  逻辑分组34.4  gpu简单介绍4.4.1  数据并行4.4.2  流处理器4.4.3  流处理器簇4.4.4  线程束4.4.5  存储器4.5  **种初级方法的分析4.5.1  优化方案a：线程块4.5.2  优化方案b4.5.3  总结第5章  matlab与并行计算工具箱5.1  本章学习目标5.2  gpu处理matlab内置函数5.3  gpu处理非内置matlab函数5.4  并行任务处理5.4.1  matlab worker5.4.2  parfor5.5  并行数据处理5.5.1  spmd5.5.2  分布式数组与同分布数组5.5.3  多个gpu时的worker5.6  无需c-mex的cuda文件直接使用第6章  运用cuda加速函数库6.1  本章学习目标6.2  cublas6.2.1  cublas函数6.2.2  cublas矩阵乘法6.2.3  使用visualprofiler进行cublas分析6.3  cufft6.3.1  通过cufft进行二维fft运算6.3.2  用visualprofiler进行cufft时间分析6.4  thrust6.4.1  通过thrust排序6.4.2  采用visualprofiler分析thrust第7章  计算机图形学实例7.1  本章学习目标7.2  marching-cubes算法7.3  matlab实现7.3.1  步骤17.3.2  步骤27.3.3  步骤37.3.4  步骤47.3.5  步骤57.3.6  步骤67.3.7  步骤77.3.8  步骤87.3.9  步骤97.3.10  时间分析7.4  采用cuda和c-mex实现算法7.4.1  步骤17.4.2  步骤27.4.3  时间分析7.5  用c-mex函数和gpu实现7.5.1  步骤17.5.2  步骤27.5.3  步骤37.5.4  步骤47.5.5  步骤57.5.6  时间分析7.6  总结第8章  cuda 转换实例：3d图像处理8.1  本章学习目标8.2  基于atlas分割方法的matlab代码8.2.1  基于atlas分割背景知识8.2.2  用于分割的matlab代码8.3  通过分析进行cuda*优设计8.3.1  分析matlab代码8.3.2  概要结果分析和cuda*优设计8.4  cuda转换1——正则化8.5  cuda转换2——图像配准8.6  cuda转换结果8.7  结论附录附录a  下载和安装cuda库a.1  cuda工具箱下载a.2  安装a.3  确认附录b  安装nvidia nsight到visual studio