이 오프라인

에 따라

월 8 일 2018·4 분 읽

Cpu 및 Gpu 야에서 많이 일반적입니다. 그들은 둘 다 실리콘 기반 마이크로 프로세서입니다. 동시에,그들은 실질적으로 다르며 다른 역할을 위해 배포됩니다.

Cpu 와 Gpu 는 무엇입니까?

CPU(중앙 처리 장치)는 종종 컴퓨터의”뇌”또는”심장”이라고합니다. 엔지니어링 및 오피스 소프트웨어의 대부분을 실행하는 데 필요합니다. 그러나 컴퓨터의 중앙 프로세서를 압도 할 수있는 수많은 작업이 있습니다. GPU 를 사용하는 것이 컴퓨팅에 필수적이 될 때입니다.

GPU(그래픽 처리 장치)는 주로 빠른 이미지 렌더링을 위해 설계된 특수 유형의 마이크로 프로세서입니다. Gpu 는 CPU 에 부담을 주며 컴퓨터 성능을 저하시키는 그래픽으로 강렬한 응용 프로그램에 대한 응답으로 나타났습니다. 그들이 되었다는 방법을 오프로드로 이러한 작업에서는 Cpu,그러나 현대의 그래픽 프로세서는 강력한를 수행하기에 충분한 급속한 수학적 계산은 많은 다른 목적을 위해서 렌더링을 수행합니다.

차이점은 무엇입니까?

Cpu 와 Gpu 는 다른 방식으로 작업을 처리합니다. 상호 관계에 관해서는,그들은 종종 두뇌와 힘과 비교됩니다. CPU(뇌)는 다양한 계산을 수행 할 수 있지만 GPU(힘)는 모든 컴퓨팅 능력을 특정 작업에 집중시키는 데 가장 좋습니다. CPU 는 순차 직렬 처리에 최적화 된 몇 개의 코어(최대 24 개)로 구성되어 있기 때문입니다. 작업 내에서 단일 작업의 성능을 극대화하도록 설계되었지만 작업 범위가 넓습니다. 다른 한편으로,GPU 를 사용하여 수천명의 더 작고 더 효율적인 코어에 대한 대규모 병렬 건축을 목표로 처리에 여러 기능을 동시에.

최신 Gpu 는 CPU 대응 제품보다 우수한 처리 능력,메모리 대역폭 및 효율성을 제공합니다. 그들은 50-100 배 빠른 작업에서 필요로 하는 여러 개의 병렬 프로세스,같은 기계 학습 및 빅 데이터 분석합니다.

무엇이 문제는 Gpu 는 적합하나요?

GPU 컴퓨팅은 CPU 와 함께 gpu 를 사용하여 과학,분석,엔지니어링,소비자 및 엔터프라이즈 애플리케이션을 가속화하는 것으로 정의됩니다.

수년 동안 Gpu 는 컴퓨터 디스플레이에서 이미지 및 모션 표시를 강화했지만 기술적으로 더 많은 작업을 수행 할 수 있습니다. 그래픽 프로세서는 단일 작업에서 대규모 계산이 필요할 때 재생됩니다.

는 작업이 포함될 수 있습니다:

• 게임

그래픽 처리 장치에 필수적,빠른 그래픽 렌더링합니다. 특수 효과와 정교한 3D 그래픽을 실시간으로 렌더링하려면 심각한 컴퓨팅 성능이 필요합니다. 현대 게임의 작업은 CPU 그래픽 솔루션에 너무 무거워집니다. 게임 심지어들을 한 단계 더 발전시킬 수은 가상 현실이 그렇기 때문에 믿을 수 있는 Gpu 수 있는 신속하게 렌더링하고 유지한 사실적인 이미지와 적절한 조명과 음영.

• 3D 시각화

Gpu 드라이브는 뷰포트 성능에서 3D 시각화 등의 응용 프로그램 computer-aided design(CAD). 객체를 3 차원으로 시각화 할 수있는 소프트웨어는 Gpu 에 의존하여 회전하거나 이동할 때 해당 모델을 실시간으로 그립니다.

• 이미지 처리

Gpu 는 수백만 개의 이미지를 정확하게 처리하여 차이점과 유사점을 찾을 수 있습니다. 이 능력은 국경 통제,보안 및 의료 엑스레이 처리와 같은 산업에서 광범위하게 사용됩니다. 예를 들어,2010 년에는 미군이 함께 연결 1,700Sony PlayStation3TM 시스템을 프로세스는 고해상도 위성 이미지가 더 빨라집니다.

• 빅 데이터

과 함께 수천에서 전산모사의 코어와 10–100 배 응용 프로그램은 처리량과 비교하여 Cpu 를 혼자,그래픽 유닛은 선택한 빅 데이터 처리에 대한 과학자들과 기업이다. Gpu 는 데이터를 대화식 시각화로 묘사하는 데 사용되며 데이터의 양과 속도를 탐색하기 위해 다른 데이터 세트와 통합됩니다. 예를 들어,우리는 지금 할 수 있 전원 유전자 매핑하여 데이터를 처리하고 분석하 co-분산 사이의 관계를 이해하는 다른 유전자의 조합.

• 깊고 기계 학습

기계 학습 되었습니다 지금 몇 시간 동안,그러나 강력하고 효율적인 GPU computing 가 제기하는 새로운 수준이다. 깊은 학습은 정교한 신경 네트워크를 만드는 시스템을 수행할 수 있는 기능을 감지에서 막대한 양의 레이블이 없는 교육이다. Gpu 를 처리할 수 있는 톤의 훈련 데이터와 기차로 신경 네트워크 지역에서 같은 이미지 및 비디오 분석을,음성 인식과 자연언어처리,자동차,컴퓨터비전 그리고 훨씬 더 많은.이 문제를 해결하려면 Cpu 아키텍처를 대체하지 않는 것이 좋습니다. 오히려 그들은 기존 인프라를위한 강력한 가속기입니다. GPU 가속 컴퓨팅은 애플리케이션의 컴퓨팅 집약적 인 부분을 GPU 로 오프로드하고 나머지 코드는 여전히 CPU 에서 실행됩니다. 사용자의 관점에서 볼 때 응용 프로그램은 훨씬 빠르게 실행됩니다. 범용 컴퓨팅은 여전히 CPU 의 도메인이지만 Gpu 는 거의 모든 집중적 인 계산 응용 프로그램의 하드웨어 백본입니다.