基于GPU-MATLAB的LU分解

我试图在MATLAB上运行LU分解，这样它就可以使用GPU了。 根据NVidia/MATLAB文档，LU应该由CUDA支持（例如，请参阅）

现在，我比较了CPU和GPU之间的速度，虽然GPU对于矩阵乘法和FFT来说确实更快，但对于LU分解，它似乎给出了几乎相同的结果，这对我来说非常重要

我试过不同尺寸的，但基本上还是一样的

比如说,

在GPU上：

A=gpuArray(randn(1000));
tic; [l,u,p]=lu(A); toc
Elapsed time is 0.056832 seconds.

在CPU上：

B=randn(1000);
tic; [l,u,p]=lu(B); toc
Elapsed time is 0.031463 seconds.

CPU甚至更快。我的CPU是i7-2630QM，GPU是GT-550M（笔记本电脑）。 我还在一台装有GTX-660的更强大的计算机上进行了试验，结果是一样的

---

我的MATLAB版本是2012b

在特斯拉C2070上使用MATLAB R2013a，我看到了：

A = gpuArray.randn(1000);
tic; [l,u,p]=lu(A); toc
Elapsed time is 0.016663 seconds.

---

比我的CPU快2倍。随着矩阵大小的进一步增加，加速比也随之增加，在我的机器上，GPU的峰值速度大约快5倍——这对于高端（尽管稍旧）GPU来说是典型的，而不是像样的6核CPU。

信不信由你，有时并行化代码会使速度变慢。这通常是由于数据的大小。它如何在各种（更大）阵列大小下运行？对于许多方法，在GPU速度真正起飞之前，您必须达到一定的大小。（即使1000by1000看起来足够大…）在命令窗口中键入

gpuDevice

。您将看到GT-550M的“计算能力”非常贫乏。您需要>=1.3。把这个和特斯拉牌比较一下。谢谢。我在另一台装有8核CPU的特斯拉C1060的计算机上试用了它，我设法使特斯拉的速度提高了约2倍。此外，当我开始在单核模式下运行MATLAB时，使用标志“-singleCoreThread”，那么GPU的速度要快得多。似乎有些函数是在多核上自动运行的，而不需要使用“分布式”等来指定。是的，在最近的版本中，MATLAB中的许多东西本质上是多线程的——这就是为什么在线性代数等方面，你需要一个相对强大的GPU来击败MATLAB最先进的CPU实现。