1、GPU

随着图形处理相关计算需求的不断增加，CPU本身在浮点计算能力上的限制，对于需要高密度计算的图像处理操作，过去传统的在CPU上实现的方法，并没有在处理性能与效率上有很大进步。因此，为了提高了显示能力和显示速度，业界专门针对图形处理相关计算需求开发了GPU(Graphics Processing Unit),即完成图像运算工作的微处理器。

GPU并行计算是一种高效的计算和图像处理技术，它利用了GPU (图形处理单元) 的并行处理能力，以提高计算速度和处理能力。 GPU并行计算在图像处理、机器学习、深度学习等领域具有广泛的应用 。

- GPU用于处理什么任务

a. 计算密集型的程序

计算密集型程序主要在寄存器中进行运算，这使得寄存器与处理器之间的速度相当。因此，从寄存器读写数据几乎没有延迟。然而，访问内存和硬盘的速度相对较慢，如读取SSD时可能需要几百个时钟周期。

b. 易于并行的程序

GPU,一种具有成百上千核心的SIMD架构，能在同一时刻让每个核执行相似任务，从而实现高性能并行计算。

- GPU和CPU的区别

CPU需具备强大的通用性以处理各种数据类型及逻辑判断，从而引入大量分支跳转和中断处理，导致内部结构异常复杂。相反，GPU面临类型高度统一、相互无依赖的大规模数据以及无需中断的纯净计算环境。

GPU以众多计算单元和超长流水线为特色，但控制逻辑简单且省去Cache。相较之下，CPU的Cache占据了大量空间，复杂的控制逻辑和优化电路使其计算能力仅占一小部分。

- 下图来自 NVidia CUDA 文档：

GPGPU,全称通用计算图形处理器(General Purpose GPU),是一种强大的计算工具，能够协助CPU进行非图形相关的复杂运算。它的名字由“通用目的”和“图形处理”两个词组成，寓意着它的多功能性和广泛应用。GPGPU的主要作用在于提升计算效率，使CPU能够更专注于处理复杂的、需要大量计算的任务，从而提高整体的系统性能。

在GPGPU架构设计中，我们摒弃了针对图形处理的专用加速硬件单元，但保留了SIMT架构和通用计算单元。因此，当前基于GPU的图形任务尚无法直接在GPGPU上运行(未来或许可行)。然而，对于科学计算、AI训练与推理任务(主要涉及矩阵运算)等通用计算类型，GPGPU仍能发挥GPU的优势，即高效地搬运、运算和处理海量数据的任务。

GPGPU是一种通用图形处理器，用于非图形计算任务，如物理计算和AI训练。GPGPU常集成到CPU中，而GPU作为独立模块。

GPGPU主要用于例如物理计算、加密解密、科学计算以及比特币等加密货币的生成。

a. 任务不同

GPGPU负责的是一些非图形相关程序的运算，如加密、解密；

而GPU负责的是图形渲染、图形计算的任务；

b. 存在形式不同

GPGPU通常被集成到CPU中；

而GPU则是作为一个单独的模块，也就是独立显卡核心或者主板集成显卡核心。

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-