Olena

seuraa

· 4 min read

suorittimilla ja GPU: lla on paljon yhteistä. Molemmat ovat piipohjaisia mikroprosessoreita. Samalla ne ovat olennaisesti erilaisia, ja niitä käytetään erilaisiin tehtäviin.

Mitä ovat suorittimet ja GPU: t?

suoritinta (keskusyksikkö) kutsutaan usein tietokoneen ”aivoksi” tai ”sydämeksi”. Sen on suoritettava suurin osa suunnittelu-ja toimisto-ohjelmistoista. On kuitenkin olemassa lukuisia tehtäviä,jotka voivat hukuttaa tietokoneen keskussuorittimen. Tämä on, kun käyttämällä GPU tulee välttämätöntä computing.

GPU (graphics processing unit) on erikoistunut mikroprosessorityyppi, joka on suunniteltu ensisijaisesti nopeaan kuvantoistoon. GPU: t ilmestyivät vastauksena graafisesti voimakkaille sovelluksille, jotka rasittivat suoritinta ja heikentivät tietokoneen suorituskykyä. Niistä tuli tapa purkaa nämä tehtävät Suorittimilta, mutta nykyaikaiset grafiikkasuorittimet ovat tarpeeksi tehokkaita suorittamaan nopeita matemaattisia laskutoimituksia moniin muihin tarkoituksiin renderöinnin lisäksi.

mikä on ero?

suorittimet ja GPU: t käsittelevät tehtäviä eri tavoin. Mitä tulee keskinäisiin suhteisiin, niitä verrataan usein aivoihin ja lihaksiin. CPU (aivot) voi työskennellä erilaisia laskelmia, kun taas GPU (brawn) on paras keskittää kaikki laskentakyvyt tiettyyn tehtävään. Tämä johtuu siitä, että suoritin koostuu muutamasta ytimestä (jopa 24), jotka on optimoitu peräkkäiseen sarjatuotantoon. Se on suunniteltu maksimoimaan yksittäisen tehtävän suoritus työn sisällä; tehtävävalikoima on kuitenkin laaja. Toisaalta GPU käyttää tuhansia pienempiä ja tehokkaampia ytimiä massiivisesti rinnakkaiseen arkkitehtuuriin, jonka tarkoituksena on käsitellä useita toimintoja samanaikaisesti.

nykyaikaiset GPU: t tarjoavat ylivertaisen prosessoritehon, muistin kaistanleveyden ja tehokkuuden suorittimiinsa verrattuna. Ne ovat 50-100 kertaa nopeampia useita rinnakkaisia prosesseja vaativissa tehtävissä, kuten koneoppimisessa ja big data-analyysissä.

mitä ongelmia GPU: t soveltuvat ratkaisemaan?

GPU computing määritellään GPU: n ja CPU: n käytöksi nopeuttamaan tieteellisiä, analytiikka -, tekniikka -, kuluttaja-ja yrityssovelluksia.

GPU: t ovat jo vuosia toimineet tietokonenäytöillä kuvien ja liikkeen näyttönä, mutta teknisesti ne pystyvät tekemään enemmän. Grafiikkasuorittimet otetaan käyttöön, kun tarvitaan massiivisia laskelmia yksittäiseen tehtävään.

tähän tehtävään voi kuulua:

• Pelit

grafiikan käsittelyyksikkö on välttämätön pelimaailman nopealle, graafisesti intensiiviselle renderöinnille. Erikoistehosteiden ja hienostuneen 3D-grafiikan renderöinti reaaliaikaisesti vaatii melkoista laskentatehoa. Nykyaikaisten pelien tehtävät tulevat liian raskaiksi CPU-grafiikkaratkaisulle. Pelit jopa tehnyt askeleen pidemmälle virtuaalitodellisuus, joka on niin uskottava, koska GPU voi nopeasti tehdä ja ylläpitää realistisia kuvia oikea valaistus ja varjostus.

• 3D-visualisointi

GPU-asemanäkymän suorituskyky 3D-visualisointisovelluksissa, kuten tietokoneavusteisessa suunnittelussa (CAD). Ohjelmisto, jonka avulla voit visualisoida esineitä 3 ulottuvuudet perustuu GPU piirtää nämä mallit reaaliajassa, kun kierrät tai siirtää niitä.

• kuvankäsittely

GPU: t pystyvät tarkasti käsittelemään miljoonia kuvia löytääkseen eroja ja yhtäläisyyksiä. Tätä kykyä käytetään laajasti muun muassa rajavalvonnassa, turvallisuudessa ja lääketieteellisessä röntgenkäsittelyssä. Esimerkiksi vuonna 2010 Yhdysvaltain armeija yhdisti yhteen yli 1 700 Sonyn PlayStation 3TM-järjestelmää käsitelläkseen korkearesoluutioisia satelliittikuvia nopeammin.

• Big Data

tuhansia laskentaytimiä ja 10-100–kertainen sovellussuoritusteho verrattuna pelkkiin suorittimiin, grafiikkayksiköt ovat tutkijoiden ja teollisuuden valinta Big Datan käsittelyyn. GPU: ita käytetään kuvaamaan dataa interaktiivisena visualisointina, ja ne integroituvat muihin tietokokonaisuuksiin tutkiakseen datan määrää ja nopeutta. Pystymme nyt esimerkiksi tehostamaan geenikartoitusta käsittelemällä dataa ja analysoimalla rinnakkaisvariansseja ymmärtääksemme eri geeniyhdistelmien välisiä suhteita.

• syvä Koneoppiminen

koneoppiminen on ollut olemassa jo jonkin aikaa, mutta tehokas ja tehokas GPU-laskenta on nostanut sen uudelle tasolle. Syväoppiminen on kehittyneiden neuroverkkojen käyttöä sellaisten järjestelmien luomiseksi, jotka voivat suorittaa ominaisuuksien havaitsemisen valtavista määristä merkitsemätöntä harjoitustietoa. GPU voi käsitellä tonnia koulutustietoja ja kouluttaa neuroverkkoja alueilla, kuten kuva-ja videoanalytiikka, puheentunnistus ja luonnollisen kielen käsittely, itseohjautuvat autot, tietokoneen visio ja paljon muuta.

GPU: t eivät ole suoritinarkkitehtuurin korvaajia. Pikemminkin ne ovat tehokkaita kiihdyttimiä olemassa olevalle infrastruktuurille. GPU-nopeutettu computing offloads compute-intensiivinen osia sovelluksen GPU, kun loput koodi vielä toimii CPU. Käyttäjän näkökulmasta sovellukset vain toimivat paljon nopeammin. Vaikka yleiskäyttöinen laskenta on edelleen suorittimen toimialue, GPU: t ovat laitteiston selkäranka lähes kaikissa intensiivisissä laskennallisissa sovelluksissa.