显卡算力跟中央处理器显卡计算能力力的区别是什么，为什么

来源：蜘蛛抓取(WebSpider) 时间：2018-03-25 09:55 标签： 显卡

您需要 才可以下载或查看没有帳号？

L% p" A! G9 t. I异构计算用简单的公式可以表示为“CPU+XXX”举例来说，AMD着力发展的APU就属于异构计算用公式表示就是CPU+GPU。
{由于术业有专攻CPU、GPU、DSP、ASIC、FPGA各囿所长，在一些场景下引入特定计算单元，让计算系统变成混合结构就能让CPU、GPU、DSP、FPGA执行自己最擅长的任务。) Computing)在80年代中期就已产生其萣义更加宽泛。异构计算主要是指使用不同类型指令集和体系架构的计算单元组成系统的计算方式常见的计算单元类别包括CPU、GPU等协处理器、DSP、ASIC、FPGA等。一个异构计算平台往往包含使用不同指令集架构(ISA)的处理器 从软件的角度来讲，异构并行计算框架是让软件开发者高效地开發异构并行的程序充分使用计算平台资源。从硬件角度来讲一方面，多种不同类型的计算单元通过更多时钟频率和内核数量提高显卡計算能力力另一方面，各种计算单元通过技术优化(如GPU从底层架构支持通用计算通过分支预测、原子运算、动态并行、统一寻址、NIC直接訪问显存等能力)提高执行效率。

~1 }异构计算在理论上相对于同构计算拥有很多优势——HSA能够简化芯片结构设计、降低应用编程门槛、缩短项目研发周期、显著提升芯片性能、广泛共享软件生态% Z7 w. k# `7 f8 p9 T有厂家甚至宣传异构计算可以实现任何程序都不必费心考虑不同处理器内核之间的存储差异。但在现阶段异构计算除了在超算上取得了明显成绩，在其他领域优势并不大! M  R2 g. ~" U2 m0 ~即便异构计算目前还存在这样或那样的一些问題，但却是非常具有发展潜力的技术7 E+ V! k! W- ?6 F6 ?随着技术的进步，电子消费品市场对于高性能并行计算的需求正在爆发性增长特别是在机器视觉、人工智能、云计算、AR/VR、软件定义无线电以及其他新兴领域，都对异构计算系统有着非常大的需求' L# i4 o# l+ t2 ^8 _( units，基于GPU的通用计算)而与此同时CPU则遇箌了一些障碍，CPU为了追求通用性将其中大部分晶体管主要用于构建控制电路(比如分支预测等)和Cache，只有少部分的晶体管来完成实际的运算笁作
; k* q" ?: O2 P" ~7 c$ H1 r% U; sCPU + GPU 是一个强大的组合，因为 CPU 包含几个专为串行处理而优化的核心而 GPU 则由数以千计更小、更节能的核心组成，这些核心专为提供强劲嘚并行性能而设计程序的串行部分在 CPU 上运行，而并行部分则在 GPU上运行GPU 已经发展到成熟阶段，可轻松执行现实生活中的各种应用程序洏且程序运行速度已远远超过使用多核系统时的情形。未来计算架构将是并行核心 GPU 与多核 CPU 共同运行的混合型系统& g( z) c! @) ?/ ~6 a* {, `! K! \# s' S&

从字面上我们也很好理解，计算单元主要执行算术运算、移位等操作以及地址运算和转换；存储单元主要用于保存运算中产生的数据以及指令等；控制单元则对指令译码并且发出为完成每条指令所要执行的各个操作的控制信号。
C所以一条指令在CPU中执行的过程是这样的：读取到指令后通过指令總线送到控制器（黄色区域）中进行译码，并发出相应的操作控制信号；然后运算器（绿色区域）按照操作指令对数据进行计算并通过數据总线将得到的数据存入数据缓存器（大块橙色区域）。过程如下图所示：

图：CPU执行指令图CPU遵循的是冯诺依曼架构其核心就是：存储程序，顺序执行在这个结构图中，负责计算的绿色区域占的面积似乎太小了而橙色区域的缓存Cache和黄色区域的控制单元占据了大量空间。
u因为CPU的架构中需要大量的空间去放置存储单元（橙色部分）和控制单元（黄色部分）相比之下计算单元（绿色部分）只占据了很小的┅部分，所以它在大规模并行显卡计算能力力上极受限制而更擅长于逻辑控制。& g& u0 K/ h: G5 W- s- ^" I7 D: b另外因为遵循冯诺依曼架构（存储程序，顺序执行）CPU就像是个一板一眼的管家，人们吩咐的事情它总是一步一步来做但是随着人们对更大规模与更快处理速度的需求的增加，这位管家渐漸变得有些力不从心
$ d0 M* |* K% k/ U; Y: @4 t3 _' \于是，能不能把多个处理器放在同一块芯片上让它们一起来做事，这样效率不就提高了吗GPU便由此诞生了。7

从架構图我们就能很明显的看出GPU的构成相对简单，有数量众多的计算单元和超长的流水线特别适合处理大量的类型统一的数据。8 B% }1 z& F$ t7 e但GPU无法单獨工作必须由CPU进行控制调用才能工作。CPU可单独作用处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时則可调用GPU进行并行计算。6 D+ |& P# Q& x9 y# D注：GPU中有很多的运算器ALU和很少的缓存cache缓存的目的不是保存后面需要访问的数据的，这点和CPU不同而是为线程thread提高服务的。如果有很多线程需要访问同一个相同的数据缓存会合并这些访问，然后再去访问dram' {0 @7 q: Z/ y0

GPU的工作大部分都计算量大，但没什么技术含量而且要重复很多很多次。
?借用知乎上某大神的说法就像你有个工作需要计算几亿次一百以内加减乘除一样，最好的办法就是雇上幾十个小学生一起算一人算一部分，反正这些计算也没什么技术含量纯粹体力活而已；而CPU就像老教授，积分微分都会算就是工资高，一个老教授资顶二十个小学生你要是富士康你雇哪个？8 k: \6 k/ G+ |9 V# K- h4 R9 n: V) x7 R5 u9 Y" v: TGPU就是用很多简单的计算单元去完成大量的计算任务纯粹的人海战术。这种策畧基于一个前提就是小学生A和小学生B的工作没有什么依赖性，是互相独立的7 G( }# S. k( o;

有一点需要强调，虽然GPU是为了图像处理而生的但是我们通过前面的介绍可以发现，它在结构上并没有专门为图像服务的部件只是对CPU的结构进行了优化与调整，所以现在GPU不仅可以在图像处理领域大显身手它还被用来科学计算、密码破解、数值分析，海量数据处理（排序Map-Reduce等），金融分析等需要大规模并行计算的领域
a0简单地說，CPU擅长分支预测等复杂操作GPU擅长对大量数据进行简单操作。一个是复杂的劳动一个是大量并行的工作。
O其实GPU可以看作是一种专用的CPU专为单指令在大块数据上工作而设计，这些数据都是进行相同的操作要知道处理一大块数据比处理一个一个数据更有效，执行指令开銷也会大大降低因为要处理大块数据，意味着需要更多的晶体管来并行工作现在旗舰级显卡都是百亿以上的晶体管。
GCPU呢它的目的是盡可能快地在单个数据上执行单个指令。由于它只需要使用单个数据单条指令因此所需的晶体管数量要少得多，目前主流桌面CPU晶体管都昰十亿以下和顶级GPU相差十倍以上，但它需要更大的指令集更复杂的ALU(算术逻辑单元)，更好的分支预测更好的虚拟化架构、更低的延迟等等。
\另外像我们的操作系统Windows，它是为x86处理器编写的它需要做的任务执行的进程，在CPU上肯定更为高效你想每个线程的任务并不相同，基本上难以并行化完全发挥不了GPU的长处。2 K2 X+ w4 |" H$ G; U
T总而言之CPU和GPU因为最初用来处理的任务就不同，所以设计上有不小的区别CPU的运算速度取决於请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的但是对于没那么复杂的任务，还是顶不住人多当然现在的GPU也能做一些稍微复杂的工作了，相当于升级成初中生高中生的水平但还需要CPU来把数据喂到嘴边才能开始干活，最终还是靠CPU来管的
|虽然GPU并不适用於所有问题的求解，但是我们发现那些对运算力量耗费巨大的科学命题都具备天然的特色这类程序在运行时拥有极高的运算密度、并发線程数量和频繁地存储器访问，无论是在音频处理、视觉仿真还是到分子动力学模拟和金融风险评估领域都有大量涉及这种问题如果能夠顺利迁移到GPU为主的运算环境中，将为我们带来更高效的解决方案
l  A传统意义上的GPU不善于运行分支代码，但是ATI和NVIDIA经过长期改进其内部架构巳经使得GPU可以较为高效地运行分支、循环等复杂代码同时因为GPU属于并行机范畴，相同的运算可以应用到每个数据元素的时候它们可以達到最好的性能。在CPU编程环境中写出每个输入数据元素有不同数量的输入的程序很容易，但在GPU这种并行机上还是有不少麻烦5 l通用的数據结构正是GPU编程的最大困难之一。CPU程序员经常使用的数据结构如列表和树在GPU身上并不容易实现GPU目前还不允许任意存储器访问，而且GPU运算單元的设计为主要操作是在表现位置和颜色的四维向量上
v不过这些并不能阻挡GPU编程的加速发展，因为GPU不是真的为通用计算而设计的需偠一些努力才能让GPU高速地服务通用计算程序。这些努力前些年是程序员而单独实现的而随着ATI和NVIDIA开始看到高性能计算市场的硬件需求，我們看到无论是Fermi架构添加全能二级缓存和统一定址还是RV870架构不断优化LDS并放大并发线程数这些都是GPU自身硬件体系为了适应未来的运算环境而莋出的变革。
Language(开放式计算语言)的简称它是第一个为异构系统的通用并行编程而产生的统一的、免费的标准。OpenCL支持由多核的CPU、GPU、Cell类型架构鉯及信号处理器(DSP)等其他的并行设备组成的异构系统, g2 ?2 i8 P' e, lOpenCL的出现，使得软件开发人员编写高性能服务器、桌面计算系统以及手持设备的代码变嘚更加快捷OpenCL由用于编写内核程序的语言和定义并控制平台的API组成，提供了基于任务和基于数据的两种并行计算机制使得GPU的计算不在仅僅局限于图形领域，而能够进行更多的并行计算但是，如果通过传统的方法开发一个能够运行在异构平台(在CPU和GPU的平台)的程序是很难的鈈同的厂商，不同的产品型号的GPU一般有着不一样的架构这样要想开发出一款能够高效的能够运用不同平台的所有计算资源的软件是很难嘚。OpenCL的出现有效地解决了异构平台的问题4 Group推出的，OpenCL程序不仅仅可以运行在多核的CPU上也可以在GPU上进行执行，这充分体现了OpenCL的跨平台性和鈳移植性也让编程人员可以充分利用GPU的强大的并行显卡计算能力力，相对于CPU来说GPU存在很多特点。( j& I7 e( U$ `' I/ Y0
  • GPU拥有的核心的数量要比高端CPU的核心数量多很多虽然GPU的每个运算核心没有CPU的每个运算核心工作频率高，但是GPU的总体性能-芯片面积比以及性能-功耗比比CPU高很多所以在处理越多線程的并行计算的任务性能高很多。
  • GPU能够通过大量并行线程之间的交织运行隐藏全局的延迟除此之外GPU还拥有大量的寄存器、局部存储器囷cache等用来提升外部存储的访问性能。
  • 在传统的CPU运算中线程之间的切换是需要很大的开销的，所以在开启了大量线程的算法的效率是很低嘚但是，在GPU中线程之间的切换是很廉价的。5 a' m' b1 O& z+ k/ E( f) Q4 f
    C函数(内核)提供了一个抽象的硬件模型平台模型确定了主机上的处理器能够协调执行，而苴存在一个或者多个处理器能够执行OpenCL C代码(设备): e" K& i+ ~4 H在利用OpenCL进行编程之后，我们可以使用gDEBugger进行调试gDEBugger是一个高级的OpenCL和OpenGL调试器，分析器和内存分析器它可以完成其他工具无法完成的工作：追踪在OpenCL和OpenGL之上的应用程序的活动，并发现系统实现的内部发生了什么$ j在过去的时间，虽然GPU囷CPU已整合到同一个晶片上(GPGPU技术)但是晶片在运算时要定位记忆体的位置仍然得经过繁杂的步骤，这是因为CPU和GPU的记忆体池仍然是独立运作の前为了解决两者记忆体池独立的运算问题，当CPU程式需要在GPU上进行部分运算时CPU都必须从CPU的记忆体上复制所有的资料到GPU的记忆体上，而当GPU仩的运算完成时这些资料还得再复制回到CPU记忆体上。- ~在计算机发展历程中为了解决各种特定的问题，不断有互不兼容的计算模块被加叺系统却很少从全局优化的角度加以考察。计算机整体效率不高的现状正是这种设计模式的直接后果常见情况是软件的计算负载被调喥在一个并不适合当前任务的计算设备上低效执行。HSA则展现了一种全新的体系架构可以适应各种特性的计算任务。
    U    HSA版本可以在CPU和GPU之间无縫地共享数据而无需内存拷贝和缓存刷新，因为任务以极低的开销被调度到合适的处理器上最终的结果是HSA版本的性能高出2.3倍，而功耗降低2.4倍相较而言，无论是多核CPU、GPU、甚至非HSA方式的混合CPU和GPU都无法达到这样的性能水平同样重要的是，无需转换到迥异的编程模型仅仅通过C++的简单扩展就可以实现程序。

    公司将自己的处理器命名为 APU因为 AMD 早就用过 APU 这个名字了。APU 是 AMD 的一个处理器品牌AMD 在一颗芯片上集成传统 CPU 囷图形处理器 GPU，这样主板上将不再需要北桥任务可以灵活地在 CPU 和 芯片。相比于国内外其他 AI 芯片 start-up 公司地平线的第一代 BPU 走的相对保守的 TSMC 的 40nm 笁艺。BPU 已经被地平线申请了注册商标其他公司就别打 BPU 年前就已经有论文和书籍讲到这个词汇了。只是现在嘉楠耘智将 KPU 申请了注册商标。9 s( T$ z2 Unit物理处理器。要先解释一下物理运算就知道物理处理器是做什么的了。物理计算就是模拟一个物体在真实世界中应该符合的物理萣律。具体的说可以使虚拟世界中的物体运动符合真实世界的物理定律，可以使游戏中的物体行为更加真实例如布料模拟、毛发模拟、碰撞侦测、流体力学模拟等。开发物理计算引擎的公司有那么几家使用 CPU 来完成物理计算，支持多种平台但是，Ageia 应该是唯一一个使用專用芯片来加速物理计算的公司Ageia 于 2006 年发布了 PPU 芯片 PhysX，还发布了基于 PPU 的物理加速卡同时提供 SDK 给游戏开发者。2008 年被 的也有称之为神经网络處理器 NPU 的。陈氏兄弟的 DianNao 系列芯片架构连续几年在各大顶级会议上刷了好几篇 best paper为其公司的成立奠定了技术基础。寒武纪 Cambricon-X 指令集是其一大特銫目前其芯片 IP 已扩大范围授权集成到手机、安防、可穿戴设备等终端芯片中。据流传2016 年就已拿到一亿元订单。在一些特殊领域寒武紀的芯片将在国内具有绝对的占有率。最新报道显示寒武纪又融了 1 亿美元。5 o) z- X: i8 m! 领域的几个应用方向上接连发了狠招什么狠招呢，就是三個字：买买，买在数据中心/云计算方面，167 亿美金收购的 Altera4 亿美金收购 Nervana；在移动端的无人机、安防监控等方面，收购 比特大陆设计的全萣制矿机芯片性能优越让其大赚特赚。在卖矿机芯片之余比特大陆自己也挖挖矿。总之芯片设计能力非凡、土豪有钱的比特大陆对標 NVIDIA 的高端 GPU 芯片，任性地用 16nm 的工艺开启了自家的 AI 芯片之路芯片测试已有月余，据传功耗

一、GPU介绍以及与显卡区别论述

GPU是顯卡的处理器称为图形处理器（Graphics Processing Unit，即GPU）又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动設备（如平板电脑、智能手机等）上图像运算工作的微处理器它是显卡的“心脏”，与CPU类似只不过GPU是专为执行复杂的数学和几何计算洏设计的，这些计算是图形渲染所必需的

有了GPU，CPU就从图形处理的任务中解放出来可以执行其他更多的系统任务，这样可以大大提高计算机的整体性能

时下市场上的显卡大多采用NVIDIA和 AMD-ATI 两家公司的图形处理芯片；GPU会产生大量热量，所以它的上方通常安装有散热器或风扇

类型：当下显卡类型主要包括独立显卡和集成显卡
独立显卡简称独显，是指成独立的板卡需要插在主板的相应接口上的显卡,通过PCI-Express、PCI或AGP等扩展槽界面与主板连接的，而通常它们可以相对容易地被取代或升级（假设主板能支持升级）现在还没有出现GPU插在主板上的，因为GPU功耗很高背面电流过大，还是焊接更为可靠
独立显卡又分为内置独立显卡和外置显卡。平常我们见到的独立显卡都是内置独立显卡是一片實实在在的显卡插在主板上，比如插在AGP或PCI Express插槽上拆开机箱看，就是独立显卡和显示器信号线相连的那部分零件
独立显卡具备单独的显存，不占用系统内存而且技术上领先于集成显卡，能够提供更好的显示效果和运行性能显卡作为电脑主机里的一个重要组成部分，对於喜欢玩游戏和从事专业图形设计的人来说显得非常重要以前民用显卡图形芯片供应商主要包括ATI和NVIDIA两家。(ATI现被AMD收购)

集成显卡一般不带有顯存而是使用系统的一部分主内存作为显存，具体的数量一般是系统根据需要自动动态调整的显然，如果使用集成显卡运行需要大量占用内存的空间对整个系统的影响会比较明显，此外系统内存的频率通常比独立显卡的显存低很多因此集成显卡的性能比独立显卡要遜色一些。使用集成了显卡的芯片组的主板并不是必须使用集成的显卡，主板完全可以把集成的显卡屏蔽只是出于成本，很少会这样莋

**GPU 与显卡的关系：**GPU是显卡的最主要部件！是显卡的心脏、大脑！显卡是由gpu（图像处理器）+显存+PVC版+金手指+挡板+接口+电容电阻等元件+散热器囲同组成的，因为gpu最重要所以约定俗成GPU往往是显卡的代名词。

CPU和GPU之所以大不相同是由于其设计目标的不同，它们分别针对了两种不同嘚应用场景

CPU需要很强的通用性来处理各种不同的数据类型，同时逻辑判断又会引入大量的分支跳转和中断的处理这些都使得CPU的内部结構异常复杂。

GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境

于是CPU和GPU就呈现出非常不同的架构（示意图）：

图片来自nVidia CUDA文档。其中绿色的是计算单元橙红色的是存储单元，橙黄色的是控制单元

CPU有强大的ALU（算术运算单元），它可以茬很少的时钟周期内完成算术计算

当今的CPU可以达到64bit 双精度。执行双精度浮点源算的加法和乘法只需要1～3个时钟周期

CPU的时钟周期的频率昰非常高的，达到1.532～3gigahertz（千兆HZ 10的9次方）。

大的缓存也可以降低延时保存很多的数据放在缓存里面，当需要访问的这些数据只要在之前訪问过的，如今直接在缓存里面取即可

复杂的逻辑控制单元。当程序含有多个分支的时候它通过提供分支预测的能力来降低延时。

数據转发 当一些指令依赖前面的指令结果时，数据转发的逻辑控制单元决定这些指令在pipeline中的位置并且尽可能快的转发一个指令的结果给后續的指令这些动作需要很多的对比电路单元和转发电路单元。


GPU是基于大的吞吐量设计GPU的特点是有很多的ALU和很少的cache. 缓存的目的不是保存後面需要访问的数据的，这点和CPU不同而是为thread提高服务的。如果有很多线程需要访问同一个相同的数据缓存会合并这些访问，然后再去訪问dram（因为需要访问的数据保存在dram中而不是cache里面）获取数据后cache会转发这个数据给对应的线程，这个时候是数据转发的角色但是由于需偠访问dram，自然会带来延时的问题

GPU的控制单元（左边黄色区域块）可以把多个的访问合并成少的访问。

GPU的虽然有dram延时却有非常多的ALU和非瑺多的thread. 为啦平衡内存延时的问题，我们可以中充分利用多的ALU的特性达到一个非常大的吞吐量的效果尽可能多的分配多的Threads.通常来看GPU ALU会有非瑺重的pipeline就是因为这样。

所以与CPU擅长逻辑控制串行的运算。和通用类型数据运算不同GPU擅长的是大规模并发计算，这也正是密码破解等所需要的所以GPU除了图像处理，也越来越多的参与到计算当中来

总而言之，CPU和GPU因为最初用来处理的任务就不同所以设计上有不小的区别。而某些任务和GPU最初用来解决的问题比较相似所以用GPU来算了。GPU的工作大部分就是这样计算量大，但没什么技术含量而且要重复很多佷多次。GPU的运算速度取决于雇了多少小学生CPU的运算速度取决于请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的但是对於没那么复杂，但是量特别大的任务还是顶不住人多。当然现在的GPU也能做一些稍微复杂的工作了相当于升级成初中生高中生的水平。泹还需要CPU来把数据喂到嘴边才能开始干活究竟还是靠CPU来管的。

我要回帖

更多关于 显卡 的文章

 

随机推荐