Olena

Følg

8.februar 2018 · 4 min læs

CPU ‘er og GPU’ er har meget til fælles. De er begge siliciumbaserede mikroprocessorer. Samtidig er de væsentligt forskellige, og de er indsat til forskellige roller.

Hvad er CPU ‘er og GPU’ er?

en CPU (central processing unit) kaldes ofte “hjernen” eller “hjertet” på en computer. Det er nødvendigt at køre størstedelen af ingeniør-og kontorprogrammer. Der er dog en lang række opgaver, der kan overvælde en computers centrale processor. Det er, når du bruger GPU bliver afgørende for computing.

en GPU (graphics processing unit) er en specialiseret type mikroprocessor, primært designet til hurtig billedgengivelse. GPU ‘er optrådte som et svar på grafisk intense applikationer, der lagde en byrde på CPU’ en og forringede computerens ydeevne. De blev en måde at aflaste disse opgaver fra CPU ‘ er, men moderne grafikprocessorer er kraftige nok til at udføre hurtige matematiske beregninger til mange andre formål bortset fra gengivelse.

hvad er forskellen?

CPU ‘er og GPU’ er behandler opgaver på forskellige måder. Med hensyn til sammenhænge sammenlignes de ofte med hjerne og råstyrke. En CPU (hjernen) kan arbejde på en række forskellige beregninger, mens en GPU (råstyrke) er bedst til at fokusere alle de computing evner på en bestemt opgave. Det skyldes, at en CPU består af et par kerner (op til 24) optimeret til sekventiel seriel behandling. Det er designet til at maksimere udførelsen af en enkelt opgave inden for et job; imidlertid, rækken af opgaver er bred. På den anden side bruger en GPU tusinder af mindre og mere effektive kerner til en massivt parallel arkitektur, der sigter mod at håndtere flere funktioner på samme tid.

moderne GPU ‘ er giver overlegen processorkraft, hukommelsesbåndbredde og effektivitet i forhold til deres CPU-kolleger. De er 50-100 gange hurtigere i opgaver, der kræver flere parallelle processer, såsom maskinlæring og big data-Analyse.

hvilke problemer er GPU ‘ er egnet til at løse?

GPU computing defineres som brugen af en GPU sammen med en CPU til at fremskynde videnskabelige, analytiske, tekniske, forbruger-og virksomhedsapplikationer.

i mange år har GPU ‘ er drevet visning af billeder og bevægelse på computerskærme, men de er teknisk i stand til at gøre mere. Grafikprocessorer bringes i spil, når der er behov for massive beregninger på en enkelt opgave.

denne opgave kan omfatte:

• spil

en grafikbehandlingsenhed er afgørende for hurtig, grafisk intensiv gengivelse af spilverdenen. Gengivelse af specialeffekter og sofistikeret 3D-grafik i realtid kræver en vis seriøs computerkraft. Opgaverne i moderne spil bliver for tung til CPU grafik løsning. Spil gjorde endda et skridt videre med virtual reality, hvilket er så troværdigt, fordi GPU ‘ er hurtigt kan gengive og vedligeholde realistiske billeder med korrekt belysning og skygge.

• 3D visualisering

GPU ‘ er drev visningsport ydeevne i 3D visualisering applikationer såsom computer-aided design (CAD). Programmer, der giver dig mulighed for at visualisere objekter i 3 dimensioner, er afhængige af GPU ‘ er til at tegne disse modeller i realtid, når du roterer eller flytter dem.

• billedbehandling

GPU ‘ er kan nøjagtigt behandle millioner af billeder for at finde forskelle og ligheder. Denne evne bruges i vid udstrækning i industrier som grænsekontrol, sikkerhed og medicinsk røntgenbehandling. For eksempel forbandt det amerikanske militær i 2010 mere end 1.700 Sony PlayStation 3TM-systemer til at behandle satellitbilleder med høj opløsning hurtigere.

• Big Data

med tusinder af beregningskerner og 10-100 gange applikationsgennemstrømning sammenlignet med CPU ‘ er alene er grafiske enheder valget til behandling af big data for forskere og industri. GPU ‘ er bruges til at skildre data som interaktiv visualisering, og de integreres med andre datasæt for at udforske datavolumen og hastighed. For eksempel er vi nu i stand til at styrke genkortlægning ved at behandle data og analysere Co-afvigelser for at forstå forholdet mellem forskellige kombinationer af gener.

• Deep Machine Learning

Machine learning har eksisteret i nogen tid nu, men kraftfuld og effektiv GPU computing har hævet det til et nyt niveau. Deep learning er brugen af sofistikerede neurale netværk til at skabe systemer, der kan udføre funktionsdetektering fra enorme mængder umærkede træningsdata. GPU ‘ er kan behandle masser af træningsdata og træne neurale netværk inden for områder som billed-og videoanalyse, talegenkendelse og naturlig sprogbehandling, selvkørende biler, computersyn og meget mere.

GPU ‘ er erstatter ikke CPU-arkitektur. De er snarere kraftfulde acceleratorer til eksisterende infrastruktur. GPU-accelerated computing aflaster computerintensive dele af applikationen til GPU ‘en, mens resten af koden stadig kører på CPU’ en. Fra en brugers perspektiv kører applikationer bare meget hurtigere. Mens generel computing stadig er CPU ‘ens domæne, er GPU’ er rygraden i næsten alle intensive beregningsapplikationer.