本书深入讲解MATLAB中的GPU编程技术，涵盖并行计算工具箱、gpuArray、CUDA内核集成及MEX文件开发。通过真实案例，帮助读者掌握利用GPU加速计算密集型应用的核心方法，适合希望提升MATLAB性能的工程师与科研人员。 MATLAB中的GPU编程是一种利用图形处理单元（GPU）来加速数学计算的技术。随着计算机图形和交互式游戏的迅速发展，GPU的处理能力得到了巨大的提升，现代GPU拥有成百上千的小型核心，可以并行处理大量数据。在高性能计算领域，GPU并行计算的能力逐渐被发掘并用于大规模科学计算。 本书《MATLAB GPU编程实战》深入讲解了在MATLAB环境下如何进行GPU编程。书中涵盖了并行计算工具箱的使用，这是MATLAB为方便并行计算而提供的工具集。此外，书籍还介绍了gpuArray这一特定于GPU计算的数据类型，它使得开发者能以数组的形式在GPU上存储和操作数据。使用gpuArray，可以在MATLAB中直接执行许多数组操作，并自动地在GPU上进行运算，这样可以显著提高数值计算的效率。 除了以上内容，书中还详细介绍了CUDA内核的集成。CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算平台和编程模型，它允许开发者利用NVIDIA的GPU来执行通用计算。在MATLAB中，可以集成CUDA代码到MATLAB程序中，从而实现更为复杂的并行计算。作者还介绍了如何使用MEX文件进行GPU编程，MEX文件是一种可执行文件，能够与MATLAB代码交互运行，通过这种方式，开发者可以将GPU的优势更灵活地应用到需要优化的计算中。 本书通过一系列真实案例，讲解了如何将上述技术应用于实际问题，帮助读者掌握利用GPU加速计算密集型应用的核心方法。案例包括图像处理、深度学习、线性代数运算等多个领域。尤其对于工程师和科研人员来说，GPU编程是一个能够显著提升MATLAB性能的利器，学会使用这一技术将为他们在处理大规模数据和高复杂度计算时提供极大的帮助。 书中内容不仅适合那些希望通过GPU计算提升MATLAB性能的读者，同时也为希望深入理解GPU并行计算原理的读者提供了丰富的知识。考虑到并行计算在现代科学和工程领域的重要性日益增加，本书内容对于这一领域的专业人员来说是一份宝贵的资源。

摘要异构计算被视为计算机处理器的发展继单核、多核之后的第三个时代，它实现了多种体系架构的处理器间协同运算，有效缓解在提升CPU时钟频率和内核数量的过程中遇到的散

Glirt基于CUDA的多模态三维医学图像配准.rar

随着COSMO-Sky Med、Terra SAR-X等高分辨率SAR卫星的投入使用,SAR数据处理的计算量呈现几何级数增长趋势,对计算资源的要求越来越高,文中通过实验表明,基于图形处理单元(GPU)的并行计算技术可以大大提高星载SAR影像数据重采样计算的效率。

提出了一种基于GPU计算的3D模型直接切片技术，根据STL数据中三角面的法向量和顶点坐标进行并行着色，通过调整投影矩阵到切片高度来改变切片位置。 之后根据射线与三角面的交集结果输出截面二值图。 最后利用MS算法完成轮廓数据提取。 该算法不需要对三角形进行排序和删除，结合GPU的并发性来缩短轮廓提取时间。

CUDA by example代码实例

粒子滤波GPU实现方面的论文，包含FPGA实现等

基于GPU并行计算的Delaunay三角剖分算法研究与实现

GPU并行计算与CUDA编程（2017） 视频地址：https://www.bilibili.com/video/av52338886

中国科学技术大学谭立湘老师GPU并行计算课程最后的大作业。内容包含项目源码加注释、最后提交的课程报告、讲演PPT。（有问题可私信）