前言
第1章 不使用GPU實現MATLAB加速
1.1 本章學習目標
1.2 嚮量化
1.2.1 元素運算
1.2.2 嚮量/矩陣運算
1.2.3 實用技巧
1.3 預分配
1.4 for-loop
1.5 考慮稀疏矩陣形式
1.6 其他技巧
1.6.1 盡量減少循環中的文件讀/寫
1.6.2 盡量減少動態改變路徑和改變變量類型
1.6.3 在代碼易讀性和優化間保持平衡
1.7 實例
第2章 MATLAB和CUDA配置
2.1 本章學習目標
2.2 配置MATLAB進行c-mex編程
2.2.1 備忘錄
2.2.2 編譯器的選擇
2.3 使用c-mex實現“Hello，mex!”
2.4 MATLAB中的CUDA配置
2.5 實例：使用CUDA實現簡單的嚮量加法
2.6 圖像捲積實例
2.6.1 MATLAB中捲積運算
2.6.2 用編寫的c-mex計算捲積
2.6.3 在編寫的c-mex中利用CUDA計算捲積
2.6.4 簡單的時間性能分析
2.7 總結
第3章 通過耗時分析進行最優規劃
3.1 本章學習目標
3.2 分析MATLAB代碼查找瓶頸
3.2.1 分析器的使用方法
3.2.2 針對多核CPU更精確的耗時分析
3.3 CUDA的c-mex代碼分析
3.3.1 利用Visual Studio進行CUDA分析
3.3.2 利用NVIDIA Visual Profiler進行CUDA分析
3.4 c-mex調試器的環境設置
第4章 利用c-mex進行CUDA編程
4.1 本章學習目標
4.2 c-mex中的存儲布局
4.2.1 按列存儲
4.2.2 按行存儲
4.2.3 c-mex中復數的存儲布局
4.3 邏輯編程模型
4.3.1 邏輯分組1
4.3.2 邏輯分組2
4.3.3 邏輯分組3
4.4 GPU簡單介紹
4.4.1 數據並行
4.4.2 流處理器
4.4.3 流處理器簇
4.4.4 綫程束
4.4.5 存儲器
4.5 第一種初級方法的分析
4.5.1 優化方案A：綫程塊
4.5.2 優化方案B
4.5.3 總結
第5章 MATLAB與並行計算工具箱
5.1 本章學習目標
5.2 GPU處理MATLAB內置函數
5.3 GPU處理非內置MATLAB函數
5.4 並行任務處理
5.4.1 MATLAB worker
5.4.2 parfor
5.5 並行數據處理
5.5.1 spmd
5.5.2 分布式數組與同分布數組
5.5.3 多個GPU時的worker
5.6 無需c-mex的CUDA文件直接使用
第6章 運用CUDA加速函數庫
6.1 本章學習目標
6.2 CUBLAS
6.2.1 CUBLAS函數
6.2.2 CUBLAS矩陣乘法
6.2.3 使用Visual Profiler進行CUBLAS分析
6.3 CUFFT
6.3.1 通過CUFFT進行二維FFT運算
6.3.2 用Visual Profiler進行CUFFT時間分析
6.4 Thrust
6.4.1 通過Thrust排序
6.4.2 采用Visual Profiler分析Thrust
第7章 計算機圖形學實例
7.1 本章學習目標
7.2 Marching-Cubes算法
7.3 MATLAB實現
7.3.1 步驟1
7.3.2 步驟2
7.3.3 步驟3
7.3.4 步驟4
7.3.5 步驟5
7.3.6 步驟6
7.3.7 步驟7
7.3.8 步驟8
7.3.9 步驟9
7.3.10 時間分析
7.4 采用CUDA和c-mex實現算法
7.4.1 步驟1
7.4.2 步驟2
7.4.3 時間分析
7.5 用c-mex函數和GPU實現
7.5.1 步驟1
7.5.2 步驟2
7.5.3 步驟3
7.5.4 步驟4
7.5.5 步驟5
7.5.6 時間分析
7.6 總結
第8章 CUDA 轉換實例：3D圖像處理
8.1 本章學習目標
8.2 基於Atlas分割方法的MATLAB代碼
8.2.1 基於Atlas分割背景知識
8.2.2 用於分割的MATLAB代碼
8.3 通過分析進行CUDA最優設計
8.3.1 分析MATLAB代碼
8.3.2 概要結果分析和CUDA最優設計
8.4 CUDA轉換1——正則化
8.5 CUDA轉換2——圖像配準
8.6 CUDA轉換結果
8.7 結論
附錄
附錄A 下載和安裝CUDA庫
A.1 CUDA工具箱下載
A.2 安裝
A.3 確認
附錄B 安裝NVIDIA Nsight到Visual Studio
· · · · · · (收起)