Olena

följ

Feb 8, 2018 · 4 min läs

processorer och GPU: er har mycket gemensamt. De är båda kiselbaserade mikroprocessorer. Samtidigt är de väsentligt olika, och de används för olika roller.

Vad är processorer och GPU: er?

en CPU (Central processing unit) kallas ofta ”hjärnan” eller ”hjärtat” på en dator. Det är nödvändigt att köra majoriteten av teknik-och kontorsprogramvara. Det finns dock en mängd uppgifter som kan överväldiga en dators centrala processor. Det är när du använder GPU blir viktigt för datorer.

en GPU (graphics processing unit) är en specialiserad typ av mikroprocessor, främst utformad för snabb bildåtergivning. GPU: er verkade som ett svar på grafiskt intensiva applikationer som satte en börda på CPU och försämrad datorprestanda. De blev ett sätt att avlasta dessa uppgifter från processorer, men moderna grafikprocessorer är tillräckligt kraftfulla för att utföra snabba matematiska beräkningar för många andra ändamål förutom rendering.

vad är skillnaden?

processorer och GPU: er bearbetar uppgifter på olika sätt. När det gäller relationer jämförs de ofta med hjärna och brawn. En CPU (hjärnan) kan arbeta med en mängd olika beräkningar, medan en GPU (brawn) är bäst på att fokusera alla datorförmågor på en specifik uppgift. Det beror på att en CPU består av några kärnor (upp till 24) optimerade för sekventiell seriell bearbetning. Den är utformad för att maximera utförandet av en enda uppgift inom ett jobb; dock, utbudet av uppgifter är bred. Å andra sidan använder en GPU tusentals mindre och effektivare kärnor för en massivt parallell arkitektur som syftar till att hantera flera funktioner samtidigt.

moderna GPU: er ger överlägsen processorkraft, minnesbandbredd och effektivitet över sina CPU-motsvarigheter. De är 50-100 gånger snabbare i uppgifter som kräver flera parallella processer, såsom maskininlärning och big data-analys.

vilka problem är GPU: er lämpade att ta itu med?

GPU computing definieras som användningen av en GPU tillsammans med en CPU för att påskynda vetenskapliga, analys, teknik, konsument-och företagsapplikationer.

under många år har GPU: er drivit visning av bilder och rörelse på datorskärmar, men de är tekniskt kapabla att göra mer. Grafikprocessorer spelas in när massiva beräkningar behövs på en enda uppgift.

den uppgiften kan innehålla:

• spel

en grafikbehandlingsenhet är avgörande för snabb, grafisk intensiv återgivning av spelvärlden. Rendering av specialeffekter och sofistikerad 3D-grafik i realtid kräver viss allvarlig datorkraft. Uppgifterna för moderna spel blir för tunga för CPU-grafiklösning. Spel gjorde till och med ett steg längre med virtual reality, vilket är så trovärdigt eftersom GPU: er snabbt kan göra och behålla realistiska bilder med korrekt belysning och skuggning.

• 3D-visualisering

GPU: er kör visningsprestanda i 3D-visualiseringsapplikationer som datorstödd design (CAD). Programvara som låter dig visualisera objekt i 3 dimensioner bygger på GPU: er för att rita dessa modeller i realtid när du roterar eller flyttar dem.

• bildbehandling

GPU: er kan noggrant bearbeta miljontals bilder för att hitta skillnader och likheter. Denna förmåga används i stor utsträckning inom branscher som gränskontroll, säkerhet och medicinsk röntgenbehandling. Till exempel kopplade den amerikanska militären 2010 samman mer än 1700 Sony PlayStation 3TM-system för att bearbeta högupplösta satellitbilder snabbare.

• Big Data

med tusentals beräkningskärnor och 10–100x applikationsgenomströmning jämfört med processorer ensam är grafikenheter valet för bearbetning av big data för forskare och industri. GPU: er används för att avbilda data som interaktiv visualisering, och de integreras med andra datamängder för att utforska datavolym och hastighet. Till exempel kan vi nu driva upp genmappning genom att bearbeta data och analysera samvariationer för att förstå förhållandet mellan olika kombinationer av gener.

• djup maskininlärning

maskininlärning har funnits länge nu, men kraftfull och effektiv GPU-dator har höjt den till en ny nivå. Djupinlärning är användningen av sofistikerade neurala nätverk för att skapa system som kan utföra funktionsdetektering från massiva mängder omärkta träningsdata. GPU: er kan bearbeta massor av träningsdata och träna neurala nätverk inom områden som bild-och videoanalys, taligenkänning och naturlig språkbehandling, självkörande bilar, datorsyn och mycket mer.

GPU: er är inte ersättningar för CPU-arkitektur. Snarare är de kraftfulla acceleratorer för befintlig infrastruktur. GPU-accelererad databehandling avlastar beräkningsintensiva delar av applikationen till GPU, medan resten av koden fortfarande körs på CPU. Ur användarens perspektiv körs applikationer bara mycket snabbare. Medan generell databehandling fortfarande är CPU: s domän, är GPU: er hårdvarans ryggrad i nästan alla intensiva beräkningsapplikationer.