以前使用matlab
的时候，很多人都用过里面的并行工具箱，用的最多的应该就是parfor。实际上，matlab里面已经有不少工具箱里面都有了支持GPU加速的函数。使用matlab+GPU加速的前提是，机器必须安装了支持CUDA的显卡，而且CUDA驱动的版本在1.3以上。一些比较常用的函数
例如fft，ifft，三角函数，相关函数xcorr以及常用的运算符等等都可以进行加速。方法也很简单，主要使用到gpuArray和gather这两个函数。
以xcorr为例，假设我们要求向量A和B的互相关，一般是使用代码
M = xcorr(A,B)
以下是使用gpu加速的版本
Ag = gpuArray(A);
Bg = gpuArray(B);
Mg = xcorr(Ag,Bg);
M = gather(Mg);
一般的小矩阵可能感觉不出来，不过如果矩阵规模很大，而且在多次循环内部，这个区别就很明显了。mathwork的网站上有对xcorr的gpu加速效率的详细分析报告，基本上，随着矩阵规模扩大，gpu加速的倍数是直线上升。
除了相关函数，还有很多支持gpuArray数据类型的函数，具体可以用下面的指令查看
methods('gpuArray')
其中某个函数的说明可以用help查看
help gpuArray/functionname
上面的例子中，gpuArray是把数据转换为GPU处理的类型，存储到GPU的显存里。gather是将数据转移回来。除了将现有的矩阵转移到GPU中，gpuArray自带的方法还可以直接在GPU中创建数据：
gpuArray.ones
gpuArray.colon
gpuArray.zeros
gpuArray.rand
gpuArray.inf
gpuArray.randi
gpuArray.nan
gpuArray.randn
gpuArray.true
gpuArray.linspace
gpuArray.false
gpuArray.logspace
gpuArray.eye
这些方法的具体用法可以使用类似下面的命令寻求帮助
help gpuArray/eye
其实，用法和对应的普通函数的用法都是类似的。
II = gpuArray.eye(1024,'int32');
size(II)
1024 1024
还可以用下面的命令生成随机数
parallel.gpu.rng
parallel.gpu.RandStream
对于CPU和GPU产生随机数方法的比较，有兴趣的可以看这里。
最后，一些处理普通数据的函数也可以用来检测GPU数据的属性
Function
Description
classUnderlying
Class of the underlying data in the array
existsOnGPU
Indication if array exists on the GPU and is accessible
isreal
Indication if array data is real
length
Length of vector or largest array dimension
ndims
Number of dimensions in the array
size
Size of array dimensions
值得注意的是，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maltab和CUDA为我们做了很多显存管理的工作，但是我们还是要保证处理的矩阵不会把显存撑爆。
matlab的工具箱支持GPU的情况
可以在下面的网页上查询
http://www.mathworks.cn/products/parallel-computing/builtin-parallel-support.html
其中对于图像处理来说有一个很有用的。我曾经的一篇博文
介绍过使用 blockproc 函数加速滑动窗。其实，这个函数还可以进一步被GPU加速，方法就是设置其中的 'UseParallel’ 变量。例子
下面是用gpu解波动方程的例子，cpu和gpu版本程序
进行对比，改动其实不太大，细节见参考中第四个网页
编译.CU文件
对于其他一些复杂的，无法用matlab内部函数进行GPU加速的代码，matlab还提供了一个更强大的工具，就是调用.cu文件。
熟悉matlab+c混合编程的都知道matlab可以把.c,.cc,.cpp等文件编译为能够使用的mex文件。对于CUDA程序.cu，matlab也提供了一套方法来调用，最终编译成.ptx文件。