Olena

Seguir

8 de Febrero de 2018 · 4 min de lectura

CPUs y GPUs tienen mucho en común. Ambos son microprocesadores basados en silicio. Al mismo tiempo, son sustancialmente diferentes y se despliegan para diferentes funciones.

¿Qué son las CPU y las GPU?

Una CPU (unidad central de procesamiento) a menudo se llama el «cerebro» o el «corazón» de una computadora. Es necesario ejecutar la mayoría de los programas informáticos de ingeniería y de oficina. Sin embargo, hay una multitud de tareas que pueden abrumar al procesador central de una computadora. Eso es cuando el uso de GPU se vuelve esencial para la computación.

Una GPU (unidad de procesamiento de gráficos) es un tipo de microprocesador especializado, diseñado principalmente para renderizar imágenes rápidamente. Las GPU aparecieron como respuesta a aplicaciones gráficas intensas que ponían una carga en la CPU y degradaban el rendimiento de la computadora. Se convirtieron en una forma de descargar esas tareas de las CPU, pero los procesadores gráficos modernos son lo suficientemente potentes como para realizar cálculos matemáticos rápidos para muchos otros fines aparte del renderizado.

¿Cuál es la diferencia?

Las CPU y las GPU procesan tareas de diferentes maneras. En cuanto a las interrelaciones, a menudo se comparan con el cerebro y la fuerza muscular. Una CPU (el cerebro) puede trabajar en una variedad de cálculos diferentes, mientras que una GPU (el músculo) es la mejor para enfocar todas las habilidades informáticas en una tarea específica. Esto se debe a que una CPU consta de unos pocos núcleos (hasta 24) optimizados para el procesamiento en serie secuencial. Está diseñado para maximizar el rendimiento de una sola tarea dentro de un trabajo; sin embargo, la gama de tareas es amplia. Por otro lado, una GPU utiliza miles de núcleos más pequeños y eficientes para una arquitectura paralela masiva destinada a manejar múltiples funciones al mismo tiempo.

Las GPU modernas proporcionan potencia de procesamiento, ancho de banda de memoria y eficiencia superiores a sus contrapartes de CPU. Son 50-100 veces más rápidos en tareas que requieren múltiples procesos paralelos, como el aprendizaje automático y el análisis de big data.

¿Qué problemas se Gpu adecuado para la dirección?

La computación por GPU se define como el uso de una GPU junto con una CPU para acelerar aplicaciones científicas, analíticas, de ingeniería, de consumo y empresariales.

Durante muchos años, las GPU han alimentado la visualización de imágenes y movimiento en pantallas de computadora, pero son técnicamente capaces de hacer más. Los procesadores gráficos entran en juego cuando se necesitan cálculos masivos en una sola tarea.

Esa tarea puede incluir:

• Juegos

Una unidad de procesamiento de gráficos es esencial para una renderización rápida e intensiva de gráficos del mundo de los videojuegos. La representación de efectos especiales y sofisticados gráficos en 3D en tiempo real requiere una gran potencia informática. Las tareas de los juegos modernos se vuelven demasiado pesadas para una solución de gráficos de CPU. Los juegos incluso dieron un paso más allá con la realidad virtual, que es tan creíble porque las GPU pueden renderizar y mantener imágenes realistas rápidamente con iluminación y sombreado adecuados.

• Visualización 3D

Las GPU impulsan el rendimiento de las vistas en aplicaciones de visualización 3D, como el diseño asistido por ordenador (CAD). El software que le permite visualizar objetos en 3 dimensiones depende de las GPU para dibujar esos modelos en tiempo real a medida que los gira o mueve.

• Procesamiento de imágenes

Las GPU pueden procesar con precisión millones de imágenes para encontrar diferencias y similitudes. Esta capacidad se utiliza ampliamente en industrias como el control fronterizo, la seguridad y el procesamiento de rayos X médicos. Por ejemplo, en 2010, las fuerzas armadas de Estados Unidos conectaron más de 1.700 sistemas Sony PlayStation 3TM para procesar imágenes de satélite de alta resolución con mayor rapidez.

• Big Data

Con miles de núcleos computacionales y un rendimiento de aplicaciones de 10 a 100 veces en comparación con las CPU por sí solas, las unidades gráficas son la elección para procesar big data para científicos e industria. Las GPU se utilizan para representar datos como visualización interactiva y se integran con otros conjuntos de datos para explorar el volumen y la velocidad de los datos. Por ejemplo, ahora podemos activar el mapeo de genes mediante el procesamiento de datos y el análisis de covarianzas para comprender la relación entre diferentes combinaciones de genes.

• Aprendizaje automático profundo

El aprendizaje automático existe desde hace algún tiempo, pero la informática de GPU potente y eficiente lo ha elevado a un nuevo nivel. El aprendizaje profundo es el uso de redes neuronales sofisticadas para crear sistemas que puedan realizar la detección de características a partir de cantidades masivas de datos de entrenamiento sin etiquetar. Las GPU pueden procesar toneladas de datos de entrenamiento y entrenar redes neuronales en áreas como análisis de imágenes y video, reconocimiento de voz y procesamiento de lenguaje natural, automóviles autónomos, visión por computadora y mucho más.

Gpu, no son sustitutos de arquitectura de la CPU. Más bien, son potentes aceleradores para la infraestructura existente. La computación acelerada por GPU descarga partes de la aplicación que requieren un uso intensivo de recursos informáticos a la GPU, mientras que el resto del código sigue ejecutándose en la CPU. Desde la perspectiva del usuario, las aplicaciones se ejecutan mucho más rápido. Si bien la computación de propósito general sigue siendo el dominio de la CPU, las GPU son la columna vertebral del hardware de casi todas las aplicaciones computacionales intensivas.