Olena

Sledovat

Únor 8, 2018 · 4 min číst

Cpu a Gpu mají hodně společného. Oba jsou mikroprocesory na bázi křemíku. Současně jsou podstatně odlišné a jsou nasazeny pro různé role.

co jsou procesory a GPU?

CPU (centrální procesorová jednotka) se často nazývá „mozek“ nebo „srdce“ počítače. Je nutné spustit většinu inženýrského a kancelářského softwaru. Existuje však mnoho úkolů, které mohou přemoci centrální procesor počítače. To je, když se použití GPU stává nezbytným pro výpočetní techniku.

GPU (graphics processing unit) je specializovaný typ mikroprocesoru, primárně určený pro rychlé vykreslování obrazu. GPU se objevily jako reakce na graficky intenzivní aplikace, které zatěžují CPU a zhoršují výkon počítače. Staly se způsobem, jak tyto úkoly vyložit z procesorů, ale moderní grafické procesory jsou dostatečně výkonné, aby mohly provádět rychlé matematické výpočty pro mnoho dalších účelů kromě Vykreslování.

jaký je rozdíl?

procesory a GPU zpracovávají úlohy různými způsoby. Pokud jde o vzájemné vztahy, jsou často srovnávány s mozkem a tlačenkou. CPU (mozek) může pracovat na různých výpočtech, zatímco GPU (brawn) je nejlepší zaměřit všechny výpočetní schopnosti na konkrétní úkol. Je to proto, že procesor se skládá z několika jader (až 24) optimalizovaných pro sekvenční sériové zpracování. Je navržen tak, aby maximalizoval výkon jednoho úkolu v rámci úlohy; rozsah úkolů je však široký. Na druhé straně GPU používá tisíce menších a efektivnějších jader pro masivně paralelní architekturu zaměřenou na zpracování více funkcí současně.

moderní GPU poskytují vynikající výpočetní výkon, šířku pásma paměti a účinnost oproti svým protějškům CPU. Jsou 50-100krát rychlejší v úkolech, které vyžadují více paralelních procesů,jako je strojové učení a analýza velkých dat.

Jaké problémy jsou Gpu vhodné k řešení?

GPU computing je definován jako použití GPU spolu s CPU k urychlení vědeckých, analytických, inženýrských, spotřebitelských a podnikových aplikací.

GPU po mnoho let poháněly zobrazení obrázků a pohybu na počítačových displejích, ale jsou technicky schopny dělat více. Grafické procesory jsou uvedeny do hry, když jsou zapotřebí masivní výpočty na jeden úkol.

tento úkol může zahrnovat:

• Hry

jednotka pro zpracování grafiky je nezbytná pro rychlé, graficky náročné Vykreslování herního světa. Vykreslování speciálních efektů a sofistikované 3D grafiky v reálném čase vyžaduje určitý seriózní výpočetní výkon. Úkoly moderních her jsou příliš těžké pro grafické řešení CPU. Hry dokonce ještě o krok dále s virtuální realitou, který je tak uvěřitelný, protože Gpu můžete rychle vykreslit a udržovat realistické obrazy s správné osvětlení a stínování.

• 3D vizualizace

GPU drive viewport výkon ve 3D vizualizačních aplikacích, jako je computer-aided design (CAD). Software, který vám umožní vizualizovat objekty ve 3 rozměrech spoléhá na GPU kreslit tyto modely v reálném čase, jak si otočit nebo přesunout.

• Zpracování Obrazu

Gpu může přesně zpracovat miliony obrázků najít rozdíly a podobnosti. Tato schopnost je široce používána v průmyslových odvětvích, jako je kontrola hranic, bezpečnost a lékařské rentgenové zpracování. Například, v roce 2010, americká armáda spojeny dohromady více než 1700 Sony PlayStation 3TM systémy pro proces s vysokým rozlišením satelitní snímky rychleji.

• Big Data

S tisíce výpočetních jader a 10–100x propustnost aplikace ve srovnání s Procesory sám, grafika jednotek jsou volby pro zpracování big dat pro vědce a průmysl. GPU se používají k zobrazení dat jako interaktivní vizualizace a integrují se s jinými datovými soubory, aby prozkoumaly objem a rychlost dat. Například, jsme nyní schopni k moci genu, mapování, zpracování dat a analýzy co-rozptyly pochopit vztah mezi různými kombinacemi genů.

• hluboké strojové učení

strojové učení existuje již nějakou dobu, ale výkonné a efektivní výpočty GPU ho zvýšily na novou úroveň. Hluboké učení je použití sofistikovaných neuronových sítí k vytvoření systémů, které mohou provádět detekci funkcí z obrovského množství neoznačených tréninkových dat. Gpu dokáže zpracovat spoustu tréninkových dat a vlak neuronové sítě v oblastech, jako obraz a video analytics, rozpoznávání řeči a zpracování přirozeného jazyka, self-hnací vozy, počítačové vidění a mnohem více.

GPU nejsou náhradou architektury CPU. Jsou to spíše výkonné akcelerátory pro stávající infrastrukturu. GPU-accelerated computing vykládá výpočetně náročné části aplikace do GPU, zatímco zbytek kódu stále běží na CPU. Z pohledu uživatele aplikace běží mnohem rychleji. Zatímco univerzální výpočetní technika je stále doménou CPU, GPU jsou hardwarovou páteří téměř všech intenzivních výpočetních aplikací.