Olena

Kövesse

Feb 8, 2018 · 4 min olvassa el a

a Cpu-k, illetve Gpu sok közös van bennünk. Mindkettő szilícium alapú mikroprocesszor. Ugyanakkor lényegesen különböznek egymástól, és különböző szerepekre alkalmazzák őket.

mik azok a CPU-k és GPU-k?

a CPU-t (központi feldolgozó egység) gyakran a számítógép “agyának” vagy “szívének” nevezik. A mérnöki és irodai szoftverek többségének futtatásához szükséges. Van azonban számos olyan feladat, amely túlterhelheti a számítógép központi processzorát. Ez az, amikor a GPU használata elengedhetetlen a számítástechnikához.

a GPU (grafikus feldolgozó egység) egy speciális típusú mikroprocesszor, elsősorban a gyors képmegjelenítéshez. A GPU-k olyan grafikusan intenzív alkalmazásokra adott válaszként jelentek meg, amelyek terhet rónak a CPU-ra és rontják a számítógép teljesítményét. Ezek a feladatok letöltésének módjává váltak a CPU-kból, de a modern grafikus processzorok elég erősek ahhoz, hogy gyors matematikai számításokat hajtsanak végre sok más célra, a megjelenítésen kívül.

mi a különbség?

CPU-k és GPU-k különböző módon dolgozzák fel a feladatokat. Ami az összefüggéseket illeti, gyakran hasonlítják őket az agyhoz és a brawn-hoz. A CPU (az agy) számos különböző számításon dolgozhat, míg a GPU (a brawn) a legjobb, ha az összes számítási képességet egy adott feladatra összpontosítja. Ennek oka az, hogy a CPU néhány magból áll (legfeljebb 24), amelyeket szekvenciális soros feldolgozásra optimalizáltak. Úgy tervezték, hogy maximalizálja egy feladat teljesítményét egy munkahelyen belül, azonban a feladatok köre széles. Másrészt a GPU több ezer kisebb és hatékonyabb magot használ egy masszívan párhuzamos architektúrához, amelynek célja több funkció egyidejű kezelése.

a Modern GPU-k kiváló feldolgozási teljesítményt, memória sávszélességet és hatékonyságot biztosítanak CPU-társaiknál. Ezek 50-100-szor gyorsabbak olyan feladatokban, amelyek több párhuzamos folyamatot igényelnek, mint például a gépi tanulás vagy a big data analysis.

Milyen problémák Gpu alkalmas arra, hogy a cím?

a GPU számítástechnikát úgy definiálják, mint egy GPU és egy CPU használatát a tudományos, analitikai, mérnöki, fogyasztói és vállalati alkalmazások felgyorsítására.

a GPU-k évek óta táplálják a képek és a mozgás megjelenítését a számítógépes kijelzőkön, de technikailag képesek többet tenni. A grafikus processzorok akkor kerülnek játékba, amikor egyetlen feladatra hatalmas számításokra van szükség.

Ez a feladat a következőket foglalhatja magában:

• játékok

a grafikus feldolgozó egység elengedhetetlen a játékvilág gyors, grafikus intenzív megjelenítéséhez. A speciális effektusok és a kifinomult 3D-s grafika valós időben történő megjelenítéséhez komoly számítási teljesítményre van szükség. A feladatok a modern játékok túl nehéz CPU grafikus megoldás. A játékok még egy lépéssel tovább jutottak a virtuális valósággal, ami annyira hihető, mert a GPU-k gyorsan képesek a valósághű képeket megfelelő megvilágítással és árnyékolással megjeleníteni és fenntartani.

• 3D vizualizáció

GPU drive viewport teljesítmény 3D vizualizációs alkalmazásokban, például számítógépes tervezésben (CAD). A 3 dimenzióban lévő objektumok megjelenítését lehetővé tevő szoftver a GPU – kra támaszkodik, hogy ezeket a modelleket valós időben forgassa vagy mozgassa.

• képfeldolgozás

a GPU-k több millió képet képesek pontosan feldolgozni, hogy megtalálják a különbségeket és hasonlóságokat. Ezt a képességet széles körben használják olyan iparágakban, mint a határellenőrzés, a biztonság és az orvosi röntgenfeldolgozás. Például 2010-ben az amerikai hadsereg több mint 1700 Sony PlayStation 3TM rendszert kapcsolt össze a nagy felbontású műholdas képek gyorsabb feldolgozása érdekében.

• Big Data

Több ezer számítási maggal és 10-100x alkalmazás áteresztőképességgel összehasonlítva csak a CPU-kkal, a grafikus egységek a választás a nagy adatok feldolgozására a tudósok és az ipar számára. A GPU-k az adatokat interaktív megjelenítésként ábrázolják, és más adatkészletekkel integrálódnak az adatok térfogatának és sebességének feltárása érdekében. Például most már képesek vagyunk a géntérképezést adatok feldolgozásával, valamint a társváltozások elemzésével megerősíteni, hogy megértsük a gének különböző kombinációi közötti kapcsolatot.

• Deep Machine Learning

a gépi tanulás már egy ideje létezik, de a nagy teljesítményű és hatékony GPU számítástechnika új szintre emelte. A mély tanulás a kifinomult neurális hálózatok használata olyan rendszerek létrehozására, amelyek hatalmas mennyiségű, nem címkézett képzési adatból képesek a funkciók észlelésére. A GPU-k rengeteg képzési adatot képesek feldolgozni és neurális hálózatokat kép-és videoanalitika, beszédfelismerés és természetes nyelvfeldolgozás, önvezető autók, számítógépes látás és még sok más területen képezni.

a GPU-k nem helyettesítik a CPU architektúrát. Inkább erőteljes gyorsítók a meglévő infrastruktúra számára. GPU-gyorsított számítástechnikai terhelés az alkalmazás számításigényes részeit a GPU-ra fordítja, míg a kód fennmaradó része továbbra is a CPU-n fut. A felhasználó szempontjából az alkalmazások sokkal gyorsabban futnak. Míg az általános célú Számítástechnika továbbra is a CPU tartománya, a GPU-k szinte minden intenzív számítási alkalmazás hardver gerincét képezik.