Olena

Suivre

8 février 2018 · 4 min de lecture

Les processeurs et les GPU ont beaucoup en commun. Ce sont tous deux des microprocesseurs à base de silicium. En même temps, ils sont sensiblement différents et ils sont déployés pour des rôles différents.

Que sont les processeurs et les GPU ?

Un processeur (unité centrale de traitement) est souvent appelé le « cerveau » ou le ”cœur » d’un ordinateur. Il est nécessaire d’exécuter la majorité des logiciels d’ingénierie et de bureautique. Cependant, il existe une multitude de tâches qui peuvent submerger le processeur central d’un ordinateur. C’est à ce moment que l’utilisation du GPU devient essentielle pour l’informatique.

Un GPU (unité de traitement graphique) est un type spécialisé de microprocesseur, principalement conçu pour un rendu d’image rapide. Les GPU sont apparus comme une réponse à des applications graphiquement intenses qui pesaient sur le processeur et dégradaient les performances de l’ordinateur. Ils sont devenus un moyen de décharger ces tâches des processeurs, mais les processeurs graphiques modernes sont suffisamment puissants pour effectuer des calculs mathématiques rapides à de nombreuses autres fins que le rendu.

Quelle est la différence ?

Les processeurs et les GPU traitent les tâches de différentes manières. En ce qui concerne les interrelations, elles sont souvent comparées au cerveau et aux muscles. Un processeur (le cerveau) peut travailler sur une variété de calculs différents, tandis qu’un GPU (le brawn) est le meilleur pour concentrer toutes les capacités de calcul sur une tâche spécifique. En effet, un processeur se compose de quelques cœurs (jusqu’à 24) optimisés pour le traitement séquentiel en série. Il est conçu pour maximiser la performance d’une seule tâche dans un travail; cependant, la gamme de tâches est large. D’autre part, un GPU utilise des milliers de cœurs plus petits et plus efficaces pour une architecture massivement parallèle visant à gérer plusieurs fonctions en même temps.

Les GPU modernes offrent une puissance de traitement, une bande passante mémoire et une efficacité supérieures à celles de leurs homologues CPU. Ils sont 50 à 100 fois plus rapides dans les tâches qui nécessitent plusieurs processus parallèles, tels que l’apprentissage automatique et l’analyse de Big Data.

Quels problèmes les GPU sont-ils adaptés pour résoudre ?

Le calcul GPU est défini comme l’utilisation d’un GPU avec un processeur pour accélérer les applications scientifiques, analytiques, d’ingénierie, grand public et d’entreprise.

Pendant de nombreuses années, les GPU ont alimenté l’affichage des images et du mouvement sur les écrans d’ordinateur, mais ils sont techniquement capables de faire plus. Les processeurs graphiques sont mis en jeu lorsque des calculs massifs sont nécessaires sur une seule tâche.

Cette tâche peut inclure :

• Jeux

Une unité de traitement graphique est essentielle pour un rendu rapide et intensif du monde du jeu vidéo. Le rendu d’effets spéciaux et de graphiques 3D sophistiqués en temps réel nécessite une puissance de calcul importante. Les tâches des jeux modernes deviennent trop lourdes pour la solution graphique CPU. Les jeux ont même fait un pas de plus avec la réalité virtuelle, qui est si crédible car les GPU peuvent rapidement rendre et maintenir des images réalistes avec un éclairage et un ombrage appropriés.

• Visualisation 3D

Les GPU pilotent les performances de la fenêtre d’affichage dans les applications de visualisation 3D telles que la conception assistée par ordinateur (CAO). Un logiciel qui vous permet de visualiser des objets en 3 dimensions s’appuie sur des GPU pour dessiner ces modèles en temps réel lorsque vous les faites pivoter ou les déplacez.

• Traitement d’image

Les GPU peuvent traiter avec précision des millions d’images pour trouver des différences et des similitudes. Cette capacité est largement utilisée dans des industries telles que le contrôle des frontières, la sécurité et le traitement des rayons X médicaux. Par exemple, en 2010, l’armée américaine a relié plus de 1 700 systèmes Sony PlayStation 3TM pour traiter plus rapidement les images satellite à haute résolution.

• Big Data

Avec des milliers de cœurs de calcul et un débit applicatif de 10 à 100 fois supérieur à celui des PROCESSEURS seuls, les unités graphiques sont le choix pour le traitement du big data pour les scientifiques et l’industrie. Les GPU sont utilisés pour représenter les données sous forme de visualisation interactive et s’intègrent à d’autres ensembles de données afin d’explorer le volume et la vitesse des données. Par exemple, nous sommes maintenant en mesure d’améliorer la cartographie des gènes en traitant des données et en analysant des co-variances pour comprendre la relation entre différentes combinaisons de gènes.

• Apprentissage machine profond

L’apprentissage machine existe depuis un certain temps, mais le calcul GPU puissant et efficace l’a élevé à un nouveau niveau. L’apprentissage en profondeur consiste à utiliser des réseaux de neurones sophistiqués pour créer des systèmes capables de détecter des fonctionnalités à partir de quantités massives de données d’entraînement non étiquetées. Les GPU peuvent traiter des tonnes de données d’entraînement et former des réseaux de neurones dans des domaines tels que l’analyse d’images et de vidéos, la reconnaissance vocale et le traitement du langage naturel, les voitures autonomes, la vision par ordinateur et bien plus encore.

Les GPU ne remplacent pas l’architecture CPU. Ce sont plutôt de puissants accélérateurs pour l’infrastructure existante. Le calcul accéléré par GPU décharge des parties de l’application à forte intensité de calcul sur le GPU, tandis que le reste du code s’exécute toujours sur le processeur. Du point de vue de l’utilisateur, les applications s’exécutent beaucoup plus rapidement. Alors que l’informatique à usage général est toujours le domaine du processeur, les GPU sont l’épine dorsale matérielle de presque toutes les applications de calcul intensif.