本书面向的读者群主要是想在保留MATLAB优点的同时利用GPU编程实现加速的科研人员、工程师或学生。书中对各种工具箱和函数做了清晰的梳理，不仅是对当前MATLAB文档的有益补充，而且提供了大量来自不同领域的应用实例。
本书首先介绍支持GPU计算的MATLAB工具箱，这使得程序可以直接在GPU上运行，而不需要太多关于GPU编程的知识。接着介绍了MATLAB内置的GPU计算功能，包括在多核或不同计算机系统中利用GPU的方法。最后介绍了一些高阶主题，如在MATLAB中引入CUDA代码，以优化现有的GPU应用。

译者序
推荐序
前言
关于作者
第1章 引言
1.1 并行编程
1.1.1 并行计算导引
1.1.2 并行计算机的类别
1.1.3 并行计算机的内存架构
1.2 GPU编程
1.3 CUDA架构
1.4 为什么在MATLAB中进行GPU编程，什么情况下使用GPU编程
1.5 本书的组织结构
1.6 本章回顾
第2章 入门准备
2.1 硬件要求
2.2 软件要求
2.2.1 NVIDIA CUDA工具包
2.2.2 MATLAB
2.3 本章回顾
第3章 并行计算工具箱
3.1 产品描述与目标
3.2 并行for循环（parfor）
3.3 单程序多数据（spmd）
3.4 分布式数组和共分布式数组
3.5 交互式并行开发（pmode）
3.6 GPU计算
3.7 集群和作业调度
3.8 本章回顾
第4章 基于MATLAB的GPU编程介绍
4.1 基于MATLAB的GPU编程特性
4.2 GPU数组
4.3 基于GPU的MATLAB内置函数
4.4 基于GPU的MATLAB逐元素操作
4.5 本章回顾
第5章 基于MATLAB工具箱的GPU编程
5.1 通信系统工具箱
5.2 图像处理工具箱
5.3 神经网络工具箱
5.4 相控阵系统工具箱
5.5 信号处理工具箱
5.6 统计和机器学习工具箱
5.7 本章回顾
第6章 多GPU并行
6.1 在指定GPU设备上定义和运行代码
6.2 多GPU运算举例
6.3 本章回顾
第7章 运行CUDA或PTX代码
7.1 CUDA C编程简介
7.2 在GPU上通过MATLAB运行CUDA或PTX代码的步骤
7.3 示例：向量加法
7.4 示例：矩阵乘法
7.5 本章回顾
第8章 包含CUDA代码的MATLAB MEX函数
8.1 MATLAB MEX文件简介
8.2 在GPU上执行MATLAB MEX函数的步骤
8.3 示例：向量加法
8.4 示例：矩阵乘法
8.5 本章回顾
第9章 CUDA加速库
9.1 引言
9.2 cuBLAS
9.3 cuFFT
9.4 cuRAND
9.5 cuSOLVER
9.6 cuSPARSE
9.7 NPP
9.8 Thrust
9.9 本章回顾
第10章 代码分析与GPU性能提升
10.1 MATLAB分析
10.2 CUDA分析
10.3 提升GPU性能的最佳实践
10.4 本章回顾
参考文献