c矩陣的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

加速MATLAB編程指南：CUDA實現

為了解決c矩陣的問題，作者趙地 這樣論述：

MATLAB是廣泛應用的演算法開發語言之一。然而，MATLAB簡單易用的特性與演算法複雜性的矛盾，造成了各個領域的MATLAB程式運行緩慢。本書總結了作者多年來在演算法開發工作中關於MATLAB程式加速的實戰經驗，系統地介紹了利用GPU計算能力和CUDA程式設計語言實現加速MATLAB程式設計的方法。 本書首先介紹了MATLAB程式的性能評估的方法，説明讀者找到制約MATLAB程式運行速度的“瓶頸”所在；接著循序漸進地介紹加速MATLAB程式設計的方法，包括基於多核處理器的MATLAB程式加速、基於大記憶體和向量化的MATLAB程式加速、基於平行計算工具箱和GPU計算的MATLAB加速、基

於CUDA庫的MATLAB加速、基於CUDA語言的MATLAB加速等。同時，本書附帶了大量程式實例，包括深度學習及大資料分析領域的例子，深入淺出地示範各種基於CUDA語言的MATLAB程式加速的技巧。 本書可幫助讀者對所在領域的MATLAB應用程式進行顯著加速，大幅提升演算法開發的效率。 趙地獲得美國路易斯安娜理工大學（Louisiana Tech University）電腦與應用數學專業博士學位，曾在美國哥倫比亞大學（Columbia University）和美國俄亥俄州立大學（The Ohio State University）從事博士后研究工作。 趙地博士在GPU計

算方面具有豐富的研究經驗，發表了多篇學術論文和會議論文。現任CNIC-英偉達公司GPU研究中心（GPU Research Center, GRC）、CNIC-英偉達公司GPU教育中心（GPU Education Center, GEC）和CNIC-英偉達公司「智慧醫療」聯合實驗室負責人；中國圖象圖形學學會視覺大數據專業委員會委員，CCF會員。 第1章緒論 1.1MATLAB程式的加速 1.2MATLAB程式加速的可能途徑 1.2.1基於多核CPU的MATLAB程式加速 1.2.2基於大記憶體的MATLAB程式加速 1.2.3基於英偉達公司GPU的MATLAB程式加速

1.2.4基於AMD公司GPU的MATLAB程式加速 1.2.5基於Intel公司Xeon Phi的MATLAB程式加速 1.3MATLAB程式加速的度量 1.4基於GPU計算的MATLAB程式的編制 1.4.1平行計算工具箱簡介 1.4.2CUDA庫 1.4.3CUDA程式設計 第2章MATLAB程式的性能評估 2.1bench()函數 2.2tic()函數/toc()函數 2.3timeit()函數 2.4cputime()函數 2.5clock()函數和etime()函數 2.6gputimeit()函數 2.7MATLAB探查器 第3章基於多核處理器的

MATLAB程式加速 3.1MATLAB矩陣及運算子 3.1.1MATLAB矩陣的創建 3.1.2矩陣的性質的檢驗 3.1.3MATLAB矩陣的操作 3.2MATLAB函數 3.2.1MATLAB函數的定義 3.2.2MATLAB函數的執行 3.3語句與代碼 3.3.1分支結構 3.3.2迴圈結構 3.4MATLAB代碼 3.5MATLAB並行設置 3.6基於並行for迴圈(parfor迴圈)的MATLAB程式加速 第4章基於大記憶體的MATLAB程式的加速 4.1記憶體條的選擇與安裝 4.2記憶體預分配 4.2.1已知數組大小 4.2.2未知數組大小 4

.3MATLAB向量化簡介 4.4MATLAB矩陣運算的向量化 4.4.1創建MATLAB矩陣的函數 4.4.2資料複製 4.4.3MATLAB的矩陣變換函數 4.4.4索引 4.4.5矩陣操作的向量化 4.4.6符合條件的元素總數 4.5MATLAB函數的向量化 4.5.1基於arrayfun()函數、bsxfun()函數、cellfun()函數、 spfun()函數和structfun()函數的向量化 4.5.2基於pagefun()函數的向量化 4.6MATLAB語句的向量化 第5章基於平行計算工具箱的MATLAB加速 5.1GPU卡的選擇與安裝 5.1.1G

PU卡的選擇 5.1.2電源功率 5.1.3散熱問題 5.2基於平行計算工具箱的GPU計算簡介 5.3基於平行計算工具箱的矩陣運算 5.3.1在設備端(GPU端)直接創建MATLAB矩陣 5.3.2在設備端(GPU端)生成亂數矩陣 5.3.3設備端(GPU端)的疏鬆陣列 5.3.4設備端(GPU端)矩陣的資料類型 5.3.5設備端(GPU端)矩陣的檢驗 5.3.6設備端(GPU端)矩陣的操作 5.4基於平行計算工具箱的設備端(GPU端)函數 5.4.1設備端(GPU端)函數的定義 5.4.2設備端(GPU端)函數的執行 5.5基於設備端(GPU端)大記憶體的MATL

AB程式的加速 5.6例子 5.6.1卷積神經網路前向傳播的卷積層 5.6.2卷積神經網路前向傳播的啟動函數 5.6.3卷積神經網路前向傳播的降採樣層 5.6.4卷積神經網路後向傳播的升採樣層 5.6.5卷積神經網路後向傳播的卷積層 5.6.6卷積神經網路後向傳播中的梯度計算 第6章MATLAB與C/C++的介面 6.1MEX庫API 6.1.1MEX相關的函數 6.1.2從MEX中調用MATLAB函數 6.1.3mexGet()函數 6.1.4MEX庫API與輸入輸出相關的函數 6.1.5MEX庫API與鎖定相關的函數 6.2MATLAB的C/C++矩陣庫API

6.2.1定義MEX函數的資料類型 6.2.2創建陣列、分配記憶體和釋放記憶體 6.2.3資料類型校驗： 陣列的資料類型和性質 6.2.4資料存取： 從陣列讀取和寫入資料 6.2.5資料類型轉換： 將字串陣列和結構陣列轉換成物件陣列 6.3MEX函數編譯器 6.3.1MEX介紹 6.3.2編譯MEX 6.3.3MEX文件的查錯 第7章基於CUDA庫的MATLAB加速 7.1基於CUDA庫的MATLAB加速簡介 7.2基於ArrayFire庫的MATLAB加速簡介 7.2.1ArrayFire簡介 7.2.2ArrayFire陣列 7.2.3ArrayFire函數

7.2.4CUDA的混合程式設計 7.2.5實例 7.3基於其他CUDA庫的MATLAB加速簡介 第8章GPU計算簡介 8.1晶片技術的發展與摩爾定律 8.2每秒浮點運算次數 8.3GPU計算加速的度量 8.3.1GPU程式的加速比 8.3.2阿姆達爾定律和古斯塔夫森定律 8.3.3並行程式的並行狀況 8.4平行計算部件 8.4.1張量處理器 8.4.2現場可程式設計閘陣列 8.4.3類腦處理器 8.4.4視覺處理器 8.4.5物理處理器 8.4.6圖形處理器 8.5英偉達公司GPU簡介 8.5.1計算單元 8.5.2GPU記憶體 8.5.3計算能力

8.5.4GPU當前狀態的檢測 8.5.5GPU集群設置 8.5.6集群管理軟體 第9章CUDA程式設計簡介 9.1CUDA核 9.2CUDA執行緒與執行緒塊 9.2.1CUDA執行緒 9.2.2CUDA執行緒塊 9.3記憶體結構與管理 9.3.1全域記憶體 9.3.2共用記憶體 9.3.3鎖頁記憶體 9.3.4紋理記憶體和表面記憶體 9.4並行管理 9.4.1非同步並存執行 9.4.2流和事件 9.4.3同步調用 9.5CUDA流 9.5.1CUDA流的創建和結束 9.5.2默認CUDA流 9.5.3顯式同步 9.5.4隱式同步 9.5.5重疊

行為 9.5.6回呼函數 9.5.7CUDA流的優先順序 9.6CUDA事件 9.6.1CUDA事件的創建與清除 9.6.2CUDA事件的運行 9.7多設備系統 9.7.1多設備系統的初始化 9.7.2多設備系統的設備計數 9.7.3多設備系統的設備選擇 9.7.4多設備系統的CUDA流和CUDA事件 9.7.5不通過統一虛擬位址的多設備系統的設備間的記憶體複製 9.7.6通過統一虛擬位址的多設備系統的設備間的記憶體複製 9.8動態並行 9.8.1動態並行簡介 9.8.2動態並行的程式設計模型 9.8.3動態並行的環境配置 9.8.4動態並行的記憶體管理 9

.8.5動態並行的嵌套深度 9.9統一虛擬位址空間 9.9.1統一虛擬位址空間簡介 9.9.2統一記憶體程式設計的優點 9.9.3統一記憶體分配 9.9.4統一記憶體的連續性與並行性 9.9.5統一記憶體的檢驗 9.9.6統一記憶體的性能優化 9.10CUDA的編譯 9.10.1CUDA編譯工作流 9.11CUDA程式實例 9.11.1序列蒙特卡羅的類別分佈亂數 9.11.2哈爾變換 第10章CUDA程式優化 10.1CUDA程式優化的策略 10.2指令級別的優化 10.2.1算術指令輸送量最大化 10.2.2控制流指令 10.2.3同步指令 10.3執行

緒和執行緒塊級別的優化 10.3.1warp簡介 10.3.2CUDA執行緒塊的warp數量 10.3.3CUDA佔用率 10.3.4執行緒warp對設備端(GPU端)記憶體讀寫 10.4CUDA核級別的優化 10.4.1優化CUDA核參數 10.4.2減少記憶體同步 10.4.3減少寄存器總量 10.4.4提高指令層次的並行度 10.5CUDA程式級別的優化 第11章基於CUDA的MATLAB加速 11.1基於CUDAKernel的MATLAB加速 11.2基於MEX函數的MATLAB加速 11.3多GPU程式設計 11.4例子 11.4.1基於MEX函數的多

GPU矩陣相加 11.4.2基於MEX函數的多GPU的LSE函數 第12章總結 12.1加速MATLAB程式設計方法的比較 12.2進一步加速MATLAB 12.2.1多路多核處理器的MATLAB程式加速 12.2.2基於AMD公司GPU的MATLAB程式加速 12.2.3基於Intel公司Xeon Phi的MATLAB程式加速 參考文獻

c矩陣進入發燒排行的影片

高維度稀疏資料之維度縮減法於文本資料的應用與比較

為了解決c矩陣的問題，作者張芳綺 這樣論述：

詞頻是文字資料分析過程中一項重要的量化資料，它代表某一個給定的詞語在該文本中出現的頻率。因此從大量的非結構化文本集合中產生結構化的詞頻矩陣是文字探勘的第一步。詞頻矩陣通常是一個高維度的稀疏矩陣，若矩陣中包含大量罕見或累贅的字詞時，將可能誤導分析，不僅增加了分析的複雜性，也降低分析結果的準確性。因此在進行文字探勘前，若能將高維度稀疏詞頻矩陣透過維度縮減方法，選擇相關性集中的字詞，以減少詞頻矩陣中資訊含量較小之維度，相信可以提升後續分析方法的準確性。本研究將針對高維度稀疏資料，在不同的稀疏程度與不同的樣本數與維度比情況下，比較三種不同的主成分分析維度縮減方法，包括傳統的主成分分析法、正規化主成分

分析法以及稀疏主成分分析法。我們將實作模擬研究與進行真實文本資料應用，探討不同維度縮減方法對於高維度稀疏資料的適用情況。

機率與統計(第三版)

為了解決c矩陣的問題，作者陳常侃 這樣論述：

　　本書前五章為大學一學期對機率介紹的基礎課程內容。從第五章到第七章前三節和第八章是著重在機率與統計的課程內容。從第五章到6.1及7.1至7.3等是機率與隨機程序簡介的入門課程內容。 　　許多其它的課程綱要可以使用不同的可選擇性章節。初級的研究所隨機程序的課程內容是先快速地複習機率公設和隨機變數的概念，包括一些有星號的章節：事件類別(2.8)，Borel場，和機率的連續性(2.9)，隨機變數的正式定義(3.1)，和cdf的極限特性(4.1)。接下來是進入第六章的向量隨機變數，包括它們的聯合分佈，和它們的轉換。在第七章討論的是中央及限定理和收斂的概念。統計信號處理的課程會強調的章節為隨機變數的估

計(6.5)，最大概似估計，Cramer-Rao下限(8.3)，和Bayesian判定法(8.6)。排隊理論課程會強調的章節為更新程序(7.5)。 第1章　電機與電腦工程中的機率模型 1-11.1　以數學模型做為分析和設計的工具 1-11.2　確定模型 1-31.3　機率模型 1-41.4　一個詳細的例子：封包式語音傳輸系統 1-81.5　其他的例子 1-101.6　本書的概要 1-14摘要 1-15習題 1-17 第2章　機率理論的基本概念 2-12.1　描述隨機實驗 2-12.2　機率公理 2-11*2.3　使用計數方法來計算機率 2-212.4　條件機率 2-2

82.5　事件的獨立 2-342.6　循序實驗 2-40*2.7　合成隨機特性的電腦方法：隨機數產生器 2-48*2.8　細節：事件類別 2-52*2.9　細節：事件數列的機率 2-57摘要 2-61習題 2-63 第3章　離散隨機變數 3-13.1　一個隨機變數的概念 3-13.2　離散隨機變數和機率質量函數 3-43.3　離散隨機變數的期望值和動差 3-93.4　條件機率質量函數 3-173.5　重要的離散隨機變數 3-213.6　離散隨機變數的產生 3-35摘要 3-36習題 3-37 第4章　單一隨機變數 4-14.1　累積分佈函數 4-14.2　機率密度函

數 4-84.3　X的期望值 4-154.4　重要的連續隨機變數 4-244.5　一個隨機變數的函數 4-354.6　馬可夫不等式和柴比雪夫不等式 4-424.7　轉換方法 4-454.8　基本的可靠度計算 4-514.9　產生隨機變數的計算機方法 4-56*4.10　熵(ENTROPY) 4-64摘要 4-74習題 4-76 第5章　隨機變數對 5-15.1　兩隨機變數 5-15.2　離散隨機變數對 5-55.3　X和Y的聯合CDF 5-105.4　兩個連續的隨機變數的聯合PDF 5-155.5　兩隨機變數的獨立 5-215.6　聯合動差和兩個隨機變數其函數的

期望值 5-245.7　條件機率和條件期望 5-295.8　兩隨機變數的函數 5-385.9　聯合GAUSSIAN隨機變數對 5-46*5.10產生獨立的GAUSSIAN隨機變數 5-51摘要 5-54習題 5-56 第6章　向量隨機變數 6-16.1　向量隨機變數 6-16.2　多個隨機變數的函數 6-86.3　向量隨機變數期望值 6-176.4　聯合GAUSSIAN隨機向量 6-256.5　隨機變數的估計 6-32*6.6　產生相關的向量隨機變數 6-43摘 6-47習題 6-49 第7章　隨機變數的和與長期平均 7-17.1　隨機變數的和 7-17.2　樣本

平均值和大數法則 7-77.3　中央極限定理 7-11*7.4　隨機變數數列的收斂 7-20*7.5　長期到達率和伴隨的平均 7-29*7.6　使用離散傅立葉轉換計算分佈 7-34摘要 7-43習題 7-44 第8章　統計 8-18.1　樣本和取樣分佈 8-18.2　參數估計 8-58.3　最大概似估計 8-98.4　信賴區間 8-218.5　假設檢定 8-328.6　BAYESIAN判定方法 8-478.7　資料的分佈配適檢定 8-54摘要 8-60習題 8-62※原著9至12章未於此次中譯本翻譯。 附錄A　常用數學算式 附-1A.　三角恆等式 附-1B.

　不定積分 附-2C.　定積分 附-3 附錄B　傅立葉轉換公式表 附-4A.　傅立葉轉換定義 附-4B.　特性 附-4C.　傅立葉轉換對 附-5 附錄C　矩陣和線性代數 附-6A.　基本的定義 附-6B.　對角化 附-6C.　二次式 附-8

多條件行車路徑導航系統之開發

為了解決c矩陣的問題，作者江晉傑 這樣論述：

研究發展一多條件導航規畫路徑演算法，並建立一多條件路徑規劃系統，本演算法將會以行車歷史資料作為導向規劃路徑，利用行車數據進行切割與組合，達到產生K條路徑的效果，並且本研究考慮了道路行駛時間、行駛油耗、舒適度等因素，本演算法利用K-means方法，叢聚路徑的數據計算其道路的行車時間區間、油耗區間，而本研究設計了三種路徑推薦評比的模式，使用者可以依照其需求得到不同的演算法回饋數據，回饋的數據包含K條路徑推薦序列與對應的預估行車時間、油耗。為建置行車數據庫，本研究發展一套數據處理方法，而數據處理方法首先會進行Match & Cut方法來擷取各趟次行車軌跡，再配合C^+矩陣儲存模組將其數據進行切割與

重組，最後轉置匯入資料庫，以建置行車數據庫。本研究進行了演算法比對分析，發現時間、油耗、舒適度這三者看是相關，但是實際上這三者的差異度只是比較不明顯，並沒有絕對的相關性，後期使用Hbase蒐集計程車的資料分析公車與計程車在時間與金錢選擇上，如果時間誤差在一小時內的，學生普遍會選擇公車居多。