Olena

Volgen

Feb 8, 2018 · 4 min lezen

Cpu ’s en Gpu’ s hebben veel gemeen. Het zijn beide microprocessoren op siliconenbasis. Tegelijkertijd zijn ze wezenlijk verschillend en worden ze ingezet voor verschillende rollen.

Wat zijn CPU ’s en GPU’ s?

een CPU (centrale verwerkingseenheid) wordt vaak het “brein” of het “hart” van een computer genoemd. Het is vereist om de meerderheid van de engineering en office software draaien. Er is echter een veelheid aan taken die de centrale processor van een computer kunnen overweldigen. Dat is wanneer het gebruik van GPU wordt essentieel voor computing.

een GPU (graphics processing unit) is een gespecialiseerde microprocessor, voornamelijk ontworpen voor snelle weergave van afbeeldingen. GPU ‘ s verschenen als een reactie op grafisch intense toepassingen die een last op de CPU en gedegradeerde computerprestaties te zetten. Ze werden een manier om deze taken van CPU ‘ s af te laden, maar moderne grafische processors zijn krachtig genoeg om snelle wiskundige berekeningen uit te voeren voor vele andere doeleinden, afgezien van rendering.

Wat is het verschil?

CPU ’s en GPU’ s verwerken taken op verschillende manieren. Met betrekking tot interrelaties worden ze vaak vergeleken met hersenen en spierkracht. Een CPU (de hersenen) kan werken aan een verscheidenheid van verschillende berekeningen, terwijl een GPU (de brawn) is het beste in het concentreren van alle rekenvaardigheden op een specifieke taak. Dat komt omdat een CPU bestaat uit een paar kernen (tot 24) geoptimaliseerd voor sequentiële seriële verwerking. Het is ontworpen om de prestaties van een enkele taak binnen een taak te maximaliseren; echter, het bereik van taken is breed. Aan de andere kant, een GPU maakt gebruik van duizenden kleinere en efficiëntere kernen voor een massaal parallelle architectuur gericht op het hanteren van meerdere functies op hetzelfde moment.

moderne GPU ‘ s bieden superieure rekenkracht, geheugenbandbreedte en efficiëntie ten opzichte van hun CPU-tegenhangers. Ze zijn 50-100 keer sneller in taken die meerdere parallelle processen vereisen, zoals machine learning en big data-analyse.

Wat problemen zijn Gpu ‘ s geschikt te pakken?

GPU computing wordt gedefinieerd als het gebruik van een GPU samen met een CPU om wetenschappelijke, analytics, engineering, consumenten-en zakelijke toepassingen te versnellen.

gedurende vele jaren hebben GPU ‘ s het weergeven van beelden en beweging op computerschermen mogelijk gemaakt, maar technisch zijn ze in staat om meer te doen. Grafische processors worden in het spel gebracht wanneer massale berekeningen nodig zijn op een enkele taak.

die taak kan bestaan uit:

• Games

een grafische verwerkingseenheid is essentieel voor een snelle, grafisch-intensieve weergave van de spelwereld. Rendering van speciale effecten en geavanceerde 3D-graphics in real time vereist een aantal serieuze rekenkracht. De taken van moderne games worden te zwaar voor CPU grafische oplossing. Games maakten zelfs een stap verder met virtual reality, wat zo geloofwaardig is omdat GPU ‘ s snel realistische beelden kunnen maken en onderhouden met de juiste verlichting en schaduw.

• 3D-visualisatie

GPU ‘ s viewport-prestaties in 3D-visualisatietoepassingen zoals computer-aided design (CAD). Software waarmee u objecten in 3 dimensies kunt visualiseren, vertrouwt op GPU ‘ s om die modellen in realtime te tekenen terwijl u ze roteert of verplaatst.

• beeldverwerking

GPU ‘ s kunnen miljoenen afbeeldingen nauwkeurig verwerken om verschillen en overeenkomsten te vinden. Dit vermogen wordt uitgebreid gebruikt in industrieën zoals grenscontrole, beveiliging en medische röntgenverwerking. Zo heeft het Amerikaanse leger in 2010 meer dan 1.700 Sony PlayStation 3TM-systemen aan elkaar gekoppeld om satellietbeelden met hoge resolutie sneller te verwerken.

• Big Data

met duizenden computerkernen en 10–100x applicatiedoorvoer vergeleken met CPU ‘ s alleen, zijn grafische eenheden de keuze voor het verwerken van big data voor wetenschappers en de industrie. GPU ‘ s worden gebruikt om gegevens weer te geven als interactieve visualisatie, en ze integreren met andere datasets om het volume en de snelheid van gegevens te verkennen. Bijvoorbeeld, zijn we nu in staat om gen mapping aan te drijven door gegevens te verwerken en medevarianties te analyseren om de relatie tussen verschillende combinaties van genen te begrijpen.

• Deep Machine Learning

Machine learning bestaat al enige tijd, maar krachtige en efficiënte GPU computing heeft het naar een nieuw niveau getild. Deep learning is het gebruik van geavanceerde neurale netwerken om systemen te creëren die feature detectie kunnen uitvoeren van enorme hoeveelheden ongelabelde trainingsgegevens. GPU ’s kunnen tonnen trainingsgegevens verwerken en neurale netwerken trainen op gebieden zoals Beeld-en videoanalyse, spraakherkenning en natuurlijke taalverwerking, zelfrijdende auto’ s, computervisie en nog veel meer.

GPU ‘ s zijn geen vervanging voor CPU-architectuur. Integendeel, ze zijn krachtige versnellers voor bestaande infrastructuur. GPU-versnelde computing offloads compute-intensieve delen van de applicatie naar de GPU, terwijl de rest van de code nog steeds draait op de CPU. Vanuit het perspectief van een gebruiker, toepassingen gewoon veel sneller lopen. Terwijl general-purpose computing is nog steeds het domein van de CPU ‘s, GPU’ s zijn de hardware backbone van bijna alle intensieve computationele toepassingen.