GPU與CPU孰強孰弱?GPU如何實現加速?

GPU在現在的應用中越來越重要，對於GPU，我們都具備些許了解，因為不論是手機中、還是電腦裡面，都有GPU的身影。為增進大家對GPU的認識程度，本文將探討一下GPU和CPU，看看誰的優勢更大。

一、GPU與CPU孰強孰弱?

GPU是替代不了CPU的，同樣，CPU也替代不了GPU。如果形象點理解，GPU就像一群螞蟻，這些螞蟻都做著同樣的事，而CPU就像一隻猴子，這隻猴子做著各種不同的事。從根本上說CPU和GPU它們的目的不同，且有不同側重點，也有著不同的性能特性，在某些工作中CPU執行得更快，另一工作中或許GPU能更好。

當你需要對大量數據做同樣的事情時，GPU更合適，當你需要對同一數據做很多事情時，CPU正好。 然而在實際應用中，後一種情形更多，也就是CPU更為靈活能勝任更多的任務。GPU能做什麼?關於圖形方面的以及大型矩陣運算，如機器學習算法、挖礦、暴力破解密碼等，GPU會有所幫助。 簡單地說，CPU擅長分支預測等複雜操作，GPU擅長對大量數據進行簡單操作。一個是複雜的勞動，一個是大量並行的工作。 其實GPU可以看作是一種專用的CPU，專為單指令在大塊數據上工作而設計，這些數據都是進行相同的操作。 要知道處理一大塊數據比處理一個一個數據更有效，執行指令開銷也會大大降低，因為要處理大塊數據，意味著需要更多的電晶體來並行工作，現在旗艦級顯卡都是百億以上的電晶體。CPU呢，它的目的是儘可能快地在單個數據上執行單個指令。由於它只需要使用單個數據單條指令，因此所需的電晶體數量要少得多。 目前主流桌面CPU電晶體都是十億以下，和頂級GPU相差十倍以上，但它需要更大的指令集，更複雜的ALU(算術邏輯單元)，更好的分支預測，更好的虛擬化架構、更低的延遲等等。 另外，像我們的作業系統Windows，它是為x86處理器編寫的，它需要做的任務執行的進程，在CPU上肯定更為高效，你想每個線程的任務並不相同，基本上難以並行化，完全發揮不了GPU的長處。 那麼，可以預見在未來，隨著CPU進一步強化處理數據塊的能力，我們將看到CPU和GPU架構之間的融合，而且隨著製造技術的進步和晶片的縮小，GPU也可以承擔更複雜的指令。GPU一推出就包含了比CPU更多的處理單元，更大的帶寬，使得其在多媒體處理過程中能夠發揮更大的效能。例如：當前最頂級的CPU只有4核或者6核，模擬出8個或者12個處理線程來進行運算，但是普通級別的GPU就包含了成百上千個處理單元，高端的甚至更多，這對於多媒體計算中大量的重複處理過程有著天生的優勢。下圖展示了CPU和GPU架構的對比。

從硬體設計上來講，CPU由專為順序串行處理而優化的幾個核心組成。另一方面，GPU則由數以千計的更小、更高效的核心組成，這些核心專為同時處理多任務而設計。

通過上圖我們可以較為容易地理解串行運算和並行運算之間的區別。傳統的串行編寫軟體具備以下幾個特點：要運行在一個單一的具有單一中央處理器(CPU)的計算機上;一個問題分解成一系列離散的指令;指令必須一個接著一個執行;只有一條指令可以在任何時刻執行。而並行計算則改進了很多重要細節：要使用多個處理器運行;一個問題可以分解成可同時解決的離散指令;每個部分進一步細分為一系列指示;每個部分的問題可以同時在不同處理器上執行。 舉個生活中的例子來說，你要點一份餐館的外賣，CPU型餐館用一輛大貨車送貨，每次可以拉很多外賣，但是送完一家才能到下一家送貨，每個人收到外賣的時間必然很長;而GPU型餐館用十輛小摩託車送貨，每輛車送出去的不多，但是並行處理的效率高，點餐之後收貨就會比大貨車快很多。

『本文轉載自網絡,版權歸原作者所有,如有侵權請聯繫刪除』