پردازنده گرافیکی Nvidia یک سکوی نرم افزاری به نام CUDA معرفی کرده است که به برنامه نویسان اجازه می دهد به راحتی با زبان های C، C++ و Fortran بر روی GPU برنامه نویسی کنند. شرکت Mathwork توانسته با ارائه یک wrapper استفاده از CUDA را بسیار ساده کند. سینتکس استفاده از GPU در متلب به حدی ساده است که در نوع خود مثال زدنی است.( با توجه به حجم پیچیدگی کار با GPU در C).
به طور مثال فرض کنید می خواهیم دو ماتریس تصادفی را در GPU در هم ضرب کنیم. برای این منظور کافی است که از تابع gpuArray استفاده کنید تا ماتریستان از RAM به حافظه GPU منتقل شود. در مرحله بعد به صورت عادی آن ها را در هم ضرب می کنید:

tic
A = gpuArray(rand(10000,1000));
B = gpuArray(rand(1000,1000));
C = A*B;
toc

که نتیجه آن بر روی ماشین من 0.926980 ثانیه است. توجه کنید که متلب بسیاری از توابع را برای gpuArray ، overload کرده است. یعنی تابع ضرب در متلب اگر ورودی از جنس gpuArray ببنید آن را در GPU اجرا می کند در غیر این صورت در RAM کل عملیات را انجام میدهد. حال همین محاسبه را بر روی CPU انجام می دهیم:

tic
A = rand(10000,1000);
B = rand(1000,1000);
C = A*B;
toc

که زمان آن بر روی ماشین من 2.111759 ثانیه است. در این جا کاملا متوجه میزان اختلاف زمان می شوید. هرچند بر روی حجم بزرگتر داده این اختلاف می تواند اختلاف بین چند دقیقه و چند هفته شود!!
وقتی کد اولی را اجرا می کنید C به صورت gpuArray است و این بدان معناست که خروجی هنوز بر روی حافظه GPU قرار دارد. برای برگرداندن آن به RAM کافی است دستور زیر را اجرا کنیم:

D=gather(C)

در این صورت D همان C است که در حافظه قرار دارد. بیاد داشته باشید که بسیاری از توابع متلب مانند fft، fft2، abs، cos و غیره برای GPU پیاده سازی و overload شده اند. بنابراین قبل از برگرداندن نتایجتان به حافظه اصلی که بسیار زمانبر تر است بهتر است بیشتر عملیات خود را انجام داده باشید. در زیر لیست کامل تری از توابع پیاده سازی شده را می بینید.

https://uk.mathworks.com/help/distcomp/run-built-in-functions-on-a-gpu.html

#GPU_Programming #CUDA #gpuArray
@MatlabTips

🔵حلقه موازی parfor🔵
سطح پیچیدگی:🌕🌕🌕🌑🌑
پیش‌نیاز: برنامه نویسی مقدماتی
برای: کسانی که نیاز به افزایش سرعت برای محاسبات سنگین دارند.

یکی از روش هایی که می توان با استفاده از آن بخش های برنامه را به صورت موازی انجام داد استفاده از حلقه های موازی است. فرض کنید یک مجموعه کار داریم که می توانیم آن ها را به صورت موازی انجام دهیم. MATLAB Client داده های لازم را به یک pool از worker ها می دهد. هر کدام از worker ها مستقل از بقیه شروع به انجام کاری می کند که به آن محول شده است. کاملا مشخص است که این worker ها نباید وابستگی داده ای به هم داشته باشند: یعنی هیچکدام به داده های دیگری در مرحله ای از کار نیاز نداشته باشند. همچنین کارها ممکن است همزمان تمام نشوند. پس باید همه کارهایشان را تمام کنند تا نتیجه نهایی را داشته باشیم

. فرض کنید بخواهیم یک آرایه را به صورت زیر پر کنیم:

a = rand(10,1000000);
b = zeros(10,1000000);
parfor i=1:10
    b(i,:) = fft(a(i,:));
end

از آنجایی که هر سطر از خروجی در مکان های مستقل و جدایی ذخیره می شوند می توان این کار را به صورت موازی انجام داد. برای این که متوجه بشوید هر بخش از حلقه در زمان متفاوتی کارش تمام می شود کافی است کد زیر را اجرا کنید:

parfor i=1:10
    i
end

خروجی به ترتیب نیست از طرفی در هر بار اجرای این حلقه نتایج متفاوتی به دست می اید.
باید توجه کنید که همه جا نمی توانید از parfor استفاده کنید چراکه این کار اولا باید برای کارهای نسبتا سنگین باشد و ثانیا استقلال داده ای و زمانی برای کارهایتان وجود داشته باشد.

#Parfor #Parallelization

@MatlabTips

🔵پک آموزشی متلب مقدماتی تا متوسط🔵
دوستان همونطور که قبلا قولش رو داده بودم یک پک آموزشی متلب تقریبا 8 ساعته آماده کردم که میتونه بسیار براتون مفید باشه.
ویژگی‌ها:
1⃣به زبانی ساده و شیوا
2⃣داشتن تمرین در آخر هر فصل
3⃣استفاده از مثال‌های جذاب و کاربردی
3⃣مناسب برای همه رشته‌ها
4⃣داشتن اسلایدهای اموزشی مناسب
5⃣پاسخ به تمرینات آخر هر فصل
لینک دانلود پک آموزشی در زیر آمده است. منتظر دیدگاه‌های سازنده شما دوستان هستیم.
https://coffeematlab.com/courses/essentials/

🔵گامی رو به جلو از گروه بزرگ mathworks!🔵
نسخه Matlab R2016a با برتری بلامنازع نسبت به ورژن‌های قبلی توانسته است امکاناتی در اختیار کاربران خود قرار دهد که بار دیگر موجبات شگفتی و تحیر همگان را برانگیزد. در این نسخه تغییرات اساسی از ویرایشگر زنده گرفته تا تغییرات اساسی در گرافیک و اضافه کردن محورها به مختصات قطبی و بهینه سازی انواع تولباکس های تخصصی مشاهده می‌شود. در لینک زیر می‌توانید این نرم افزار را دانلود کنید.
https://coffeematlab.com/courses/matlab-2016a/

🔵دستور sound و کاربرد آن🔵

با استفاده از دستور sound می‌توانید صدایی در کامپیوتر خود ایجاد کنید(البته اگر کارت صدا نصب باشد). فرمان sound یک بردار می‌گیرد و آن را به عنوان شکل موج صوت می‌پندارد و پخشش می‌کند. به عبارت دیگر sound یک ماتریس را به سیگنال صدا تبدیل می‌کند.
علاقه مندان می‌توانند در لینک زیر اطلاعات تکمیلی را مطالعه کنند.
https://coffeematlab.com/2089/%D8%B5%D8%AF%D8%A7-%D8%AF%D8%B1-%D9%85%D8%AA%D9%84%D8%A8/
@matlabTips

🔵اطلاعیه🔵
به دلیل درخواست دوستان و صدالبته به دلیلی حلاوت مبحث محاسبات عددی و کاربردی بودن آن برای دانشجویان در پست های آینده به مباحث انتگرال گیری عددی، مشتقگیری عددی، حل معادلات دیفرانسیل معمولی و جزیی(کد نویسی با روش های موجود و معرفی توابع متلب) پرداخته خواهد شد. از آنجایی که این پست ها با جزییات است و برخی دوستان ممکن است تمایلی به آن نداشته باشند در تلگرام خلاصه ای از پست آورده خواهد شد و لینک مربوطه در زیر آن قرار میدهیم.
#caution

🔵انتگرالگیری عددی با دستور quad🔵
انتگرالگیری بحثی کاربردی در علوم مهندسی است. متلب نیز عمیقا به این موضوع پرداخته است و بسیار از این جهت غنی است. در این پست دستور quad معرفی میشود که از یک تابع به صورت عددی انتگرالگیری میشود. روش انتگرالگیری این تابع به شیوه سیمپسون وفقی است (در پستی جداگانه تشریح میکنیم).
https://coffeematlab.com/1364/numerical-integration/
@matlabtips

🔵انتگرالگیری با دستور integral🔵
دیدیم که دستور quad با استفاده از روش سیمپسون وفقی یک انتگرال را به صورت عددی حل میکرد. دستور دیگری در متلب با نام integral وجود دارد که با استفاده از روش global adaptive quadrature انتگرالگیری میکند. از نظر من این تابع نسبت به quad برتری دارد از این جهت که برای محاسبه انتگرال‌های چندگانه نیز مورد استفاده قرار میگیرد.
https://coffeematlab.com/1413/%D8%A7%D9%86%D8%AA%DA%AF%D8%B1%D8%A7%D9%84%E2%80%8C%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D8%AF%D8%AF%DB%8C-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%AF%D8%B3%D8%AA%D9%88%D8%B1/

🔵انتگرال چندگانه با integral🔵
گاهی اوقات به مسائلی برمی‌خورید که نیاز است با استفاده از انتگرال‌‌های چندگانه آن را حل کنید. این مسئله ممکن است یک مسئله تئوری یا عملی باشد. برای مثال محاسبه حجم، سطح و ... نیازمند محاسبه انتگرال چندگانه است. در پست های بعدی توابع دیگری را جهت محاسبه انتگرال های چندگانه بررسی خواهیم کرد.
https://coffeematlab.com/1422/%D8%A7%D9%86%D8%AA%DA%AF%D8%B1%D8%A7%D9%84-%DA%86%D9%86%D8%AF%DA%AF%D8%A7%D9%86%D9%87-%D9%85%D8%AA%D9%84%D8%A8/
@MatlabTips

🔵حل معادله دیفرانسیل به روش اویلر🔵
روش اویلر روشی ساده و بسیار قابل فهم است که برای حل عددی معادلات دیفرانسیل مرتبه اول مورد استفاده قرار میگیرد. از مزیت های این روش بار محاسباتی کم آن و معایب آن دقت کم آن است.
در این پست علاوه بر تشریح تئوری این روش به پیاده سازی کامل آن در متلب نیز پرداخته شده است.
https://coffeematlab.com/1944/%D9%85%D8%B9%D8%A7%D8%AF%D9%84%D9%87-%D8%AF%DB%8C%D9%81%D8%B1%D8%A7%D9%86%D8%B3%DB%8C%D9%84-%D8%A8%D9%87-%D8%B1%D9%88%D8%B4-%D8%A7%D9%88%DB%8C%D9%84%D8%B1/
@MatlabTips

🔵حل معادله دیفرانسیل به روش هیون🔵
این روش نسبت به روش اویلر دقیق‌تر است و البته از همان ایده اویلر استفاده کرده است. در پست زیر به تئوری و نحوه پیاده سازی کد در متلب پرداخته شده است.
https://coffeematlab.com/1948/%D8%B1%D9%88%D8%B4-%D9%87%DB%8C%D9%88%D9%86/
@MatlabTips

🔵فیلترینگ نویز با شبکه های عصبی🔵
شبکه های عصبی به عنوان ابزاری قدرتمند در زمینه یادگیری ماشین کاربردهای روزافزونی داشته است. این بار در کافه متلب با به کارگیری این علم در صدد این هستیم که نویز کانال را فیلتر کنیم. علاقه مندان می توانند به لینک زیر جهت اطلاعات بیشتر رجوع کنند.
https://coffeematlab.com/2002/%D9%81%DB%8C%D9%84%D8%AA%D8%B1-%D9%86%D9%88%DB%8C%D8%B2-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C/
@MatlabTips

🔵خواندن و نوشتن در متلب🔵
در ویدئوی آموزشی زیر شما میبینید که چگونه میتوان با استفاده از دستورات پایه‌ای I/O از قبیل fopen, fread, fwrite , ... یک فایل را ایجاد کرد، به صورت باینری بر روی آن نوشت، خواند و تغییرات مورد نیاز را عمال کرد. لینک زیر شامل موارد زیر خواهد بود:
1⃣فایل mp4 ویدئوی آموزشی
2⃣کدهای مربوطه
3⃣داکیومنت های مورد استفاده
@MatlabTips
https://coffeematlab.com/courses/io/

🔵درونیابی در متلب🔵
اگر بخواهم درون یابی را تعریف کنم، می گویم تخمین بین نقاط داده ها. این ابزاری بسیار مهم است هنگامی که ما یک مجموعه داده داریم و می خواهیم نقاط دیگری در بین این نقاط تخمین بزنیم و یا معادله ای را بر روی آن برازش کنیم. متلب برای این موضوع نیز توابع بسیار مفید و سودمندی دارد. در پست زیر علاقه مندان می توانند به مقایسه روش های spline، خطی و pchip دست یابند. طبق معمول در ابتدای این لینک مقدماتی از تئوری گته شده و سرانجام به پیاده سازی و مقایسه روش های مختلف درون یابی پرداخته شده است. سعی شده است به شکلی مفهومی و ساده اطلاعات منتقل شود.
@MatlabTips
https://coffeematlab.com/1860/%D8%AF%D8%B1%D9%88%D9%86%DB%8C%D8%A7%D8%A8%DB%8C/

:
روباهی از شتری پرسید:
عمق این رودخانه چقدر است؟

شتر جواب ‌داد:
تا زانو

ولی وقتی روباه توی رودخانه پرید ، آب از سرش هم گذشت!

روباه همانطور که در آب دست و پا می زد و غرق می شد به شتر گفت:
تو که گفتی تا زانووووو!
و شتر جواب داد: بله ، تا زانوی من ، نه زانوی تو!


هنگامی که درکاری از کسی مشورت می گیریم باید شرایط طرف مقابل و خودمان را هم در نظر بگیریم.
لزوماً درکارها هر تجربه ای که دیگران دارند ممکن است برای ما مناسب نباشد

🔵گرادیان از مفهوم تا تئوری🔵
کسایی که دوست دارند یه بار دیگه مفهوم گرادیان رو مطالعه کنند اما این بار به شکلی متفاوت! رجوع به لینک زیر رو بهشون پیشنهاد میکنم. تو این لینک ابتدا به صورت مفهومی و تمثیلی در مورد گرادیان صحبت میکنیم و سپس وارد بحث های ریاضیاتی می شویم. در پایان هم نحوه به کار گیری اون در متلب آورده شده.
https://coffeematlab.com/659/%DA%AF%D8%B1%D8%A7%D8%AF%DB%8C%D8%A7%D9%86/
@MatlabTips

🔵روش مونت کارلو🔵
در بسیاری از کاربردهای یادگیری ماشین یا تخمین توابع به قسمت هایی میرسیم که میخواهیم یک تابع احتمالی را تخمین بزنیم. اگر متغیر مورد نظر ما دارای بعد کمی باشد معمولا روش های ساده ای برای نمونه گیری از آن وجود دارد اما اگر متغیر مورد نظر دارای ابعاد زیادی باشد نمونه گیری های عادی پاسخگو نیست. در این مواقع اصطلاحا با “مخمصه بعد”(Curse of dimentionality) مواجه می شویم. مخمصه بعد به حالتی گفته می شود که نمونه گیری در فضاهای با ابعاد بالا به خاطر تعداد زیاد بعد بسیار دشوار می شود.
ادامه در https://coffeematlab.com/2363/%D8%B1%D9%88%D8%B4-%D8%B2%D9%86%D8%AC%DB%8C%D8%B1%D9%87-%D9%85%D8%A7%D8%B1%DA%A9%D9%88%D9%81-%D9%85%D9%88%D9%86%D8%AA-%DA%A9%D8%A7%D8%B1%D9%84%D9%88/