gpuArray

gpuArray  MATLAB中的gpuArray表示存储在GPU上的数据。

使用gpuArray函数可以将数据从MATLAB工作空间传送到GPU。

例如：  A = data(10);  G = gpuArray(A);  执行以上语句后，G 就是一个MATLAB GPUArray对象了。 

 gather  当GPU运行完程序后，可以通过gather函数将数据从GPU取回到MATLAB工作空间，存储在内存中，CPU可以调用。  D = gather(G);  

其他，gpuArray自带的方法可以直接在GPU中创建数据：  help gpuArray/eye  

GPU的数据是要存到显存里面的，显存可没有内存那么大，虽然MATLAB和cuda为我们做了很多显存管理的工作，但是我还是要保证处理的矩阵不会把显存撑爆。  

实例：使用MATLAB进行GPU编程  在GPU上执行能够加快我的应用程序吗?  　　GPU能够对符合以下标准的应用程序进行加速：  　　大规模并行—计算能够被分割成上百个或上千个独立的工作单元。  　　计算密集型—计算消耗的时间显著超过了花费转移数据到GPU内存以及从GPU内存转移出数据的时间。  　　不满足上述标准的应用程序在GPU上运行时可能会比CPU要慢。  使用MATLAB进行GPU编程 

 例如，以下代码使用FFT算法查找CPU上伪随机数向量的离散傅里叶变换：  　　A = rand(2^16,1);  　　B = fft (A);  　　为在GPU上执行相同的操作，我们首先使用gpuArray命令将数据从MATLAB工作空间转移至GPU设备内存。然后我们能够运行重载函数fft：  　　A = gpuArray(rand(2^16,1));  　　B = fft (A);  　

fft操作在GPU上而不是在CPU上执行，因为输入参数(GPUArray)位于GPU的内存中。  　

结果B存储在GPU当中。然而，B在MATLAB工作空间中依旧可见。通过运行class(B)，我们看到B是一个GPUArray。  　　class(B)  　　ans =  　　parallel.gpu.GPUArray  　　

我们能够使用启用GPU的函数继续对B进行操作。例如，为可视化操作结果，plot命令自动处理GPUArrays。  　　plot(B);  　　为将数据返回至本地的MATLAB工作集，你可以使用gather命令。例如  　　C = gather(B);  　　C现在是MATLAB中的double，能够被处理double变量的所有MATLAB函数操作。  　　  

需要指出的是，和CPU类似，GPU的内存也是有限的。然而，与CPU不同，GPU不能在内存和硬盘之间交换数据。因此，你必须核实你希望保留在GPU当中的数据不会超出内存的限制，尤其是当用到大规模矩阵时。通过运行gpuDevice命令，可以查询GPU卡，获取信息比如名称，总内存以及可用内存。  

调用多块GPU  在matlab中如果调用多GPU那么需要开启多个pool，一个pool对应一个GPU，也就是一个CPU worker对应一块GPU，如  matlabpool 2  spmd      gpuDevice end spmd       if labindex ==1       gpuDevice(2); end