Accelerating the pace of engineering and science

Parallel Computing Toolbox

Neuerungen

Erfahren Sie mehr über neue Produkteigenschaften.

Parallelunterstützung  für Tall Arrays

Parallelunterstützung für Tall Arrays

Big Data parallel mit Tall Arrays auf Ihrem Desktop, MATLAB Distributed Computing Server und Spark-Clustern verarbeiten

Unterstützung für GPU-Arrays

Unterstützung für GPU-Arrays

Verbesserte gpuArray-Funktionen verwenden, einschließlich des neuen iterativen Solvers für dünnbesetzte Matrizen: bicg

Verbesserung des  Parallel-Menüs

Verbesserung des Parallel-Menüs

Die neuen Optionen im Parallel-Menü verwenden, um Cloud-basierte Ressourcen zu konfigurieren und zu verwalten

Neue Datentypen in verteilten Arrays

Neue Datentypen in verteilten Arrays

Verbesserte Funktionen verwenden für die Erstellung verteilter Arrays vom Typ: datetime; duration; calendarDuration; string; categorical und table

Laden von verteilten Arrays

Laden von verteilten Arrays

Verteilte Arrays parallel mithilfe von datastore laden

Validierung von  Clusterprofilen

Validierung von Clusterprofilen

Auswählen der auszuführenden Validierungsphasen und die Anzahl zu verwendender MATLAB-Worker

GPU-Unterstützung für dünnbesetzte Matrizen

GPU-Unterstützung für dünnbesetzte Matrizen

Verbesserte gpuArray-Funktionen für dünnbesetzte Matrizen auf GPUs verwenden

Unterstützung für Distributed Arrays

Unterstützung für Distributed Arrays

Verbesserte distributed-Array-Funktionen auch mit dünnbesetzten Eingaben für direkte (mldivide) und iterative Solver (cgs und pcg) verwenden

GPU-beschleunigtes Deep Learning

GPU-beschleunigtes Deep Learning

Neural Network Toolbox mit GPU-Beschleunigung verwenden, um Deep Convolutional Neural Networks (faltendes neurales Netzwerk) für Bildklassifikationsaufgaben zu trainieren

GPU-fähige MATLAB-Funktionen

GPU-fähige MATLAB-Funktionen

Anwendungen beschleunigen durch GPU-fähige MATLAB-Funktionen für lineare Gleichungen, deskriptive Statistiken und Mengenoperationen

Parallelisierte Gradientenschätzung

Parallelisierte Gradientenschätzung

Mehr nichtlineare Solver in der Optimization Toolbox mit parallelen finiten Differenzschätzungen für Gradienten und Jacobi-Matrizen beschleunigen

Hadoop-Kerberos-Unterstützung

Hadoop-Kerberos-Unterstützung

Verbesserte Unterstützung für Hadoop in einer authentifizierten Kerberos-Umgebung

Erhöhte Datentransfergrenzen

Erhöhte Datentransfergrenzen

Auf einem Cluster mit dem MATLAB Job Scheduler können bei jedem Job Datenmengen bis zu 4 GB zwischen Client und Worker übertragen werden

Latest Releases

R2016b (Version 6.9) - 14 Sep 2016

Version 6.9 aus Release 2016b enthält die folgenden Erweiterungen:

  • Parallelunterstützung für Tall Arrays: Big Data parallel mit Tall Arrays auf Ihrem Desktop, MATLAB Distributed Computing Server und Spark-Clustern verarbeiten
  • Unterstützung für GPU-Arrays: Verbesserte gpuArray-Funktionen verwenden, einschließlich des neuen iterativen Solvers für dünnbesetzte Matrizen: bicg
  • Verbesserung des Parallel-Menüs: Die neuen Optionen im Parallel-Menü verwenden, um Cloud-basierte Ressourcen zu konfigurieren und zu verwalten
  • Neue Datentypen in verteilten Arrays: Verbesserte Funktionen verwenden für die Erstellung verteilter Arrays vom Typ: datetime; duration; calendarDuration; string; categorical und table
  • Laden von verteilten Arrays: Verteilte Arrays parallel mithilfe von datastore laden
  • Validierung von Clusterprofilen: Auswählen der auszuführenden Validierungsphasen und die Anzahl zu verwendender MATLAB-Worker

Ausführliche Details hierzu finden Sie in den Release Notes.

R2016a (Version 6.8) - 3 Mrz 2016

Version 6.8 aus Release 2016a enthält die folgenden Erweiterungen:

  • GPU-Unterstützung für dünnbesetzte Matrizen: Verbesserte gpuArray-Funktionen für dünnbesetzte Matrizen auf GPUs verwenden
  • Unterstützung für Distributed Arrays: Verbesserte distributed-Array-Funktionen auch mit dünnbesetzten Eingaben für direkte (mldivide) und iterative Solver (cgs und pcg) verwenden
  • GPU-beschleunigtes Deep Learning: Neural Network Toolbox mit GPU-Beschleunigung verwenden, um Deep Convolutional Neural Networks (faltendes neurales Netzwerk) für Bildklassifikationsaufgaben zu trainieren
  • GPU-fähige MATLAB-Funktionen: Anwendungen beschleunigen durch GPU-fähige MATLAB-Funktionen für lineare Gleichungen, deskriptive Statistiken und Mengenoperationen
  • Parallelisierte Gradientenschätzung: Mehr nichtlineare Solver in der Optimization Toolbox mit parallelen finiten Differenzschätzungen für Gradienten und Jacobi-Matrizen beschleunigen
  • Hadoop-Kerberos-Unterstützung: Verbesserte Unterstützung für Hadoop in einer authentifizierten Kerberos-Umgebung
  • Erhöhte Datentransfergrenzen: Auf einem Cluster mit dem MATLAB Job Scheduler können bei jedem Job Datenmengen bis zu 4 GB zwischen Client und Worker übertragen werden

Ausführliche Details hierzu finden Sie in den Release Notes.

R2015b (Version 6.7) - 3 Sep 2015

Version 6.7 aus Release 2015b enthält die folgenden Erweiterungen:

  • Mehr als 90 von GPUs unterstützte Funktionen in der Statistics and Machine Learning Toolbox, darunter Wahrscheinlichkeitsverteilung, deskriptive Statistiken und Hypothesentest
  • Zusätzliche von GPUs unterstützte MATLAB-Funktionen, darunter Unterstützung für schwach besetzte Matrizen
  • mexcuda Funktion für vereinfachte Kompilierung von MEX-Dateien, die CUDA-Code enthalten
  • Scheduler-Integrationsskripte für SLURM
  • parallel.pool.Constant Funktion zur Erstellung von konstanten Daten auf parallelen Pool-Workern, verfügbar in parallelen Sprachkonstrukten wie parfor und parfeval
  • Verbesserte Leistung von mapreduce auf Hadoop 2-Clustern

Ausführliche Details hierzu finden Sie in den Release Notes.

R2015a (Version 6.6) - 5 Mrz 2015

Version 6.6 aus Release 2015a enthält die folgenden Erweiterungen:

  • Unterstützung der mapreduce-Funktion auf allen Clustern, die parallele Pools unterstützen
  • Dünne Arrays mit GPU-aktivierten Funktionen
  • Zusätzliche GPU-aktivierte MATLAB-Funktionen
  • pagefun- Unterstützung für mrdivide- und inv- Funktionen auf GPUs
  • Verbesserungen von GPU-aktivierten linearen Algebrafunktionen
  • Parallele Datenlesung von einem Datenspeicher mit MATLAB partition- Funktion

Ausführliche Details hierzu finden Sie in den Release Notes.

R2014b (Version 6.5) - 2 Okt 2014

Version 6.5 aus Release 2014b enthält die folgenden Erweiterungen:

  • Parallelisierung von mapreduce auf lokalen Workern
  • Zusätzliche GPU-fähige MATLAB-Funktionen, einschließlich accumarray, histc, cummax und cummin
  • pagefun-Unterstützung für mldivide auf GPUs
  • Zusätzliche MATLAB-Funktionen für verteilte Arrays, einschließlich fft2, fftn, ifft2, ifftn, cummax, cummin und diff

Ausführliche Details hierzu finden Sie in den Release Notes.