parfor的並行思想是把同一批資料分給for迴圈中不同的迴圈體，進行處理。spmd的思想則是不同的資料，用同一個程式處理。當然這個程式內部可以編寫針對不同情況的處理程式碼。spmd的內部實現程式碼限制很少，spmd的靈活性比parfor要高得多。

spmd的使用方法如下：

startmatlabpool(2)
spmd 
     a = magic(labindex )%程式碼
end
closematlabpool;

Lab 1: 
  
  a =
  
       1
  
Lab 2: 
  
  a =
  
       1     3
       4     2

為了處理不同的情況，spmd實際執行時會獲取當前執行緒編號，用常量labindex表示，等同於openMP的omp_get_thread_num()。

問題一：如何在外部手動分配資料？

startmatlabpool(2)
p = Composite();
p{1} = rand(1,3);
p{2} = 'hello';
spmd 
    disp(p);
end
closematlabpool;

Lab 1: 
           0.793866004096169         0.536373818464747         0.647201517107599
  
Lab 2: 
  hello

composite資料是spmd並行結構中最簡單的資料，每個labindex執行緒只訪問composite{labindex}資料。不可越界。在關閉並行環境後所有的composite資料都沒了。

composite資料每個部分可以有不同的資料型別。

問題二：分散式計算可以用spmd嗎？

of course。不過我也沒有多臺可以分散式計算的電腦，只能試驗一下了。

分散式計算的一大問題是資料的管理。下面分為兩個部分：

1、客戶端分配

客戶端（client）使用distributed語句產生分散式資料。預設根據最後一個維度來分配資料，你也可以自己調。下面原始碼：

startmatlabpool(2)
a = rand(5,2);
p1 = Composite();
b = rand(5,2);
for i = 1:2
    p1{i} = a(:,i);
end
p2 = distributed(b);
%p2 = distributed.rand(5,2);%同樣可以這樣幹
spmd
    disp([p1 getLocalPart(p2)]);
end
closematlabpool;
 

Lab 1: 
           0.101441167942127         0.885325931102933
           0.395333513944682         0.140505759300116
           0.604619875183008        0.0679844441385649
           0.102777340759248         0.890917146877593
           0.603123131497137         0.862605458737845
  
Lab 2: 
            0.68058153278091         0.239578384767141
           0.895975215333032         0.435924760832413
           0.584621985559958         0.831829000715115
           0.972073878349711         0.212887327746207
           0.872288140538251          0.18323345771615

請注意獲取p2要使用getLocalPart語句。

2、服務端（執行緒計算端）分配

startmatlabpool(2)
spmd
     X = [1 2;4 5];
    codist = codistributor1d(1, [1 1]);%1表示第一維度切割，行切割，[1 1]表示每個lab分配一行資料
    C = codistributed(X, codist);
    disp([labindex, numlabs]);
    disp(getLocalPart(C));
end
closematlabpool;