要加快MATLAB代码的运行速度，除了对代码进行优化、向量化编程等手段外，也可以使用GPU来加速计算。

首先，你需要一个支持的GPU，目前仅支持Nvidia的GPU,不同版本的MATLAB对不同架构的GPU支持情况如下,带星号的需要重新编译CUDA。

可以用gpuDevice命令查看是否有支持的gpu，亮机卡GT 1030 也能支持。

GPU运算可以用两种方式实现，

1. 用gpuArray和gather命令；
2. 用GPU CUDA和MEX编程深度加速。

一、gpuArray与gather命令实现GPU Computing

gpuArray能够将内存中已有的数组传递到GPU的显存中，如下

A 

A_gpu现在是一个MATLAB gpuArray对象，代表着储存在GPU内存的一个1e8*1的single数组。上述代码等价于：

A_gpu 

除了randn之外，randi/rand/zeros/ones/inf/nan/eye/false/true等内置的能够生成矩阵的函数均可以通过添加参数‘gpuArray’，直接在显存中生成GPU Array.

gether命令能够将GPU显存中的数组提取到内存中。

A 

下面对MATLAB代码在CPU和GPU中的执行效率做一个简单的对比，测试环境CPU型号为Intel i7 8700 ，6核12线程，超频至4.3GHz。相比之下，GPU为NVIDIA GT 1030，垃圾亮机卡，性能也就集显水平。

用filterDesign设计一个101阶FIR滤波器，导出其滤波器系数为num，num为1个101*1的double数组。注意，不要导出为filter object，filter函数用于gpuArray时，不支持filter object，只能用滤波器系数。

%% 用CPU进行计算

从运行结果来看，用101阶FIR滤波器对长度为1亿的数组进行滤波，CPU运行时间约0.5秒，而GPU仅需0.2秒。可以看出，即使是渣显卡1030，计算能力也是秒了超频后的8700。

注意：

• gpuArray和gather命令能够将数据在内存和显存中传递，这一过程本身也是有开销的，如果计算量较小，数据传递的开销可能比计算的时间还大，导致GPU计算不如直接用CPU.
• GPU的显存一般比内存要小，对于大量的数据，可能计算效率比较低，甚至无法计算.

二、GPU CUDA and MEX programming

%% TODO