GPU vs CPU Computing: o que escolher?
CPUs e GPUs têm muito em comum. Ambos são microprocessadores à base de silício. Ao mesmo tempo, são substancialmente diferentes, e são utilizados para diferentes papéis.
o que são CPUs e GPUs?
uma CPU (unidade central de processamento) é muitas vezes chamada de “cérebro” ou “coração” de um computador. É necessário executar a maioria dos softwares de engenharia e escritório. No entanto, há uma infinidade de tarefas que podem sobrecarregar o processador central de um computador. Isso é quando o uso da GPU se torna essencial para a computação.
uma GPU (unidade de processamento gráfico) é um tipo especializado de microprocessador, projetado principalmente para renderização rápida de imagens. GPUs apareceu como uma resposta a aplicações graficamente intensas que colocam uma carga sobre a CPU e desempenho degradado do computador. Eles se tornaram uma maneira de descarregar essas tarefas a partir de CPUs, mas os modernos processadores gráficos são poderosos o suficiente para executar cálculos matemáticos rápidos para muitos outros fins além de renderização.qual é a diferença?
CPUs e tarefas de processo GPUs de diferentes maneiras. Em relação às inter-relações, elas são muitas vezes comparadas com o cérebro e músculos. Uma CPU (o cérebro) pode trabalhar em uma variedade de cálculos diferentes, enquanto uma GPU (o músculo) é melhor em focar todas as habilidades de computação em uma tarefa específica. Isso porque uma CPU consiste em alguns núcleos (até 24) otimizados para processamento sequencial em série. Ele é projetado para maximizar o desempenho de uma única tarefa dentro de um trabalho; no entanto, a gama de Tarefas é ampla. Por outro lado, uma GPU usa milhares de núcleos menores e mais eficientes para uma arquitetura massivamente paralela destinada a lidar com múltiplas funções ao mesmo tempo.
GPUs modernas fornecem potência de processamento superior, largura de banda de memória e eficiência sobre suas contrapartes da CPU. Eles são 50-100 vezes mais rápidos em tarefas que requerem múltiplos processos paralelos, tais como aprendizagem de máquinas e análise de grandes dados.
o Que são problemas GPUs adequado para o endereço?
GPU computing is defined as the use of a GPU together with a CPU to accelerate scientific, analytics, engineering, consumer, and enterprise applications.
por muitos anos, as GPUs têm alimentado a exibição de imagens e movimento em monitores de computador, mas eles são tecnicamente capazes de fazer mais. Processadores gráficos são colocados em jogo quando cálculos maciços são necessários em uma única tarefa.
essa tarefa pode incluir:
- jogos
uma unidade de processamento gráfico é essencial para a renderização rápida e intensiva do mundo dos jogos. A renderização de efeitos especiais e gráficos 3D sofisticados em tempo real requer algum poder computacional sério. As tarefas dos jogos modernos tornam-se demasiado pesadas para a solução gráfica da CPU. Os jogos até deram um passo em frente com a realidade virtual, o que é tão crível porque a GPUs pode rapidamente renderizar e manter imagens realistas com iluminação e sombreamento adequados.
- visualização 3D
desempenho do drive da GPUs em aplicações de visualização 3D, como o design assistido por computador (CAD). Software que permite visualizar objetos em 3 dimensões depende de GPUs para desenhar esses modelos em tempo real à medida que você os Roda ou move.
- processamento de imagem
GPUs pode processar com precisão milhões de imagens para encontrar diferenças e semelhanças. Esta capacidade é amplamente utilizada em indústrias como controle de fronteiras, segurança e processamento de raios-X médicos. Por exemplo, em 2010, os militares dos EUA uniram mais de 1.700 sistemas Sony PlayStation 3TM para processar imagens de satélite de alta resolução mais rapidamente.
- dados grandes
com milhares de núcleos computacionais e capacidade de aplicação de 10–100x em comparação apenas com CPUs, as unidades gráficas são a escolha para o processamento de grandes dados para cientistas e indústria. GPUs são usados para descrever dados como visualização interativa, e eles se integram com outros conjuntos de dados, a fim de explorar o volume e a velocidade dos dados. Por exemplo, agora somos capazes de energizar o mapeamento de genes através do processamento de dados e análise de co-variâncias para entender a relação entre diferentes combinações de genes.
- aprendizagem profunda da máquina
aprendizagem da máquina já existe há algum tempo, mas a poderosa e eficiente computação GPU elevou-a a um novo nível. A aprendizagem profunda é o uso de redes neurais sofisticadas para criar sistemas que podem realizar a detecção de recursos a partir de quantidades maciças de dados de treinamento sem marcação. A GPUs pode processar toneladas de dados de treinamento e treinar redes neurais em áreas como análise de imagem e vídeo, reconhecimento de fala e processamento de linguagem natural, carros de auto-condução, visão computacional e muito mais.
GPUs não são substituições para a arquitetura da CPU. Em vez disso, são aceleradores poderosos para a infra-estrutura existente. GPU-accelerated computing offloads compute-intensive portions of the application to the GPU, while the remainder of the code still runs on the CPU. Do ponto de vista do utilizador, as aplicações correm muito mais depressa. Enquanto a computação de propósito geral ainda é o domínio da CPU, GPUs são a espinha dorsal de hardware de quase todas as aplicações computacionais intensivas.
Leave a Reply