Følg

8.Februar 2018 · 4 min lese

cpuer og gpuer har mye til felles. De er begge silisiumbaserte mikroprosessorer. Samtidig er de vesentlig forskjellige, og de blir distribuert for ulike roller.

Hva Er Cpuer og Gpuer?

EN CPU (central processing unit) kalles ofte» hjernen «eller» hjertet » av en datamaskin. Det er nødvendig å kjøre de fleste av engineering og kontor-programvare. Det er imidlertid en rekke oppgaver som kan overvelde datamaskinens sentrale prosessor. Det er når DU bruker GPU blir viktig for databehandling.EN GPU (graphics processing unit) er en spesialisert type mikroprosessor, primært designet for rask bildegjengivelse. Gpuer dukket opp som et svar på grafisk intense applikasjoner som legger en byrde PÅ CPU og forringet datamaskinens ytelse. De ble en måte å avlaste disse oppgavene fra Cpuer, men moderne grafikkprosessorer er kraftige nok til å utføre raske matematiske beregninger for mange andre formål bortsett fra gjengivelse.

hva er forskjellen?

Cpuer og Gpuer behandler oppgaver på forskjellige måter. Når det gjelder sammenhenger, blir de ofte sammenlignet med hjerne og muskler. EN CPU (hjernen) kan fungere på en rekke forskjellige beregninger, mens EN GPU (brawn) er best på å fokusere alle databehandlingsevner på en bestemt oppgave. DET er fordi EN CPU består av noen kjerner (opptil 24) optimalisert for sekvensiell seriell behandling. Den er designet for å maksimere ytelsen til en enkelt oppgave i en jobb; imidlertid er omfanget av oppgaver bredt. PÅ den annen side bruker EN GPU tusenvis av mindre og mer effektive kjerner for en massivt parallell arkitektur rettet mot å håndtere flere funksjoner samtidig.Moderne Gpuer gir overlegen prosessorkraft, minnebåndbredde og effektivitet over SINE CPU-kolleger. De er 50-100 ganger raskere i oppgaver som krever flere parallelle prosesser, for eksempel maskinlæring og stor dataanalyse.

kilde: blogs.nvidia.com

Hvilke problemer er Gpuer egnet til å løse?

GPU computing er definert som bruk av EN GPU sammen med EN CPU for å akselerere vitenskapelige, analytics, engineering, forbruker og bedriftsapplikasjoner.

I mange år har Gpuer drevet visning av bilder og bevegelse på dataskjermer, men de er teknisk i stand til å gjøre mer. Grafikkprosessorer er brakt inn i bildet når massive beregninger er nødvendig på en enkelt oppgave.

denne oppgaven kan omfatte:

• Spill

en grafikkbehandlingsenhet er avgjørende for rask, grafikkintensiv gjengivelse av spillverdenen. Gjengivelse av spesialeffekter og sofistikert 3d-grafikk i sanntid krever noen alvorlige datakraft. Oppgavene til moderne spill blir for tunge FOR CPU-grafikkløsning. Spill selv gjort et skritt videre med virtuell virkelighet, som er så troverdig fordi Gpu kan raskt gjengi og vedlikeholde realistiske bilder med riktig belysning og skyggelegging.

• 3d-Visualisering

Gpu-stasjon visningsportytelse i 3d-visualiseringsprogrammer som datamaskinstøttet design (CAD). Programvare som lar deg visualisere objekter i 3 dimensjoner, er avhengig Av Gpuer for å tegne disse modellene i sanntid når du roterer eller flytter dem.

• Bildebehandling

Gpu-Er kan nøyaktig behandle millioner av bilder for å finne forskjeller og likheter. Denne evnen er mye brukt i bransjer som grensekontroll, sikkerhet og medisinsk røntgenbehandling. FOR eksempel, i 2010 koblet DET AMERIKANSKE militæret sammen mer Enn 1700 Sony PlayStation 3tm-systemer for å behandle høyoppløselige satellittbilder raskere.Med tusenvis av beregningsorienterte kjerner og 10-100x applikasjonsgjennomstrømning sammenlignet med Cpuer alene, er grafikkenheter valget for behandling av store data for forskere og industri. Gpuer brukes til å skildre data som interaktiv visualisering, og de integreres med andre datasett for å utforske volum og hastighet av data. For eksempel er vi nå i stand til å slå opp genkartlegging ved å behandle data og analysere samvarianser for å forstå forholdet mellom ulike kombinasjoner av gener.

• Deep Machine Learning

Maskinlæring har eksistert i noen tid nå, men kraftig OG effektiv GPU computing har hevet den til et nytt nivå. Dyp læring er bruk av sofistikerte nevrale nettverk for å lage systemer som kan utføre funksjonsdeteksjon fra massive mengder umerkede treningsdata. Gpu-er kan behandle tonnevis av treningsdata og trene nevrale nettverk på områder som bilde-og videoanalyse, talegjenkjenning og naturlig språkbehandling, selvkjørende biler, datasyn og mye mer.

Gpu-Er erstatter ikke CPU-arkitektur. Snarere er de kraftige akseleratorer for eksisterende infrastruktur. GPU-accelerated computing avlaster beregningsintensive deler av applikasjonen til GPU, mens resten av koden fortsatt kjorer PA CPU. Fra en brukers perspektiv, programmer bare kjøre mye raskere. Mens generell databehandling fortsatt er CPU-domenet, Er Gpuer maskinvare ryggraden i nesten alle intensive beregningsapplikasjoner.