ฉันต้องการรับฟังความคิดเห็นจากผู้ที่มีประสบการณ์ในการเขียนโค้ดสำหรับทั้งคู่ ตัวฉันเองมีประสบการณ์กับ NVIDIA เท่านั้น

ดูเหมือนว่า NVIDIA CUDA จะได้รับความนิยมมากกว่าคู่แข่ง (เพียงแค่นับแท็กคำถามในฟอรัมนี้ 'cuda' มีประสิทธิภาพดีกว่า 'opencl' 3: 1 และ 'nvidia' มีประสิทธิภาพสูงกว่า 'ati' 15: 1 และไม่มีแท็กสำหรับ 'ati-stream' เลย)

ในทางกลับกันตาม Wikipedia การ์ด ATI / AMD ควรมีศักยภาพมากกว่านี้มากโดยเฉพาะต่อดอลลาร์ การ์ด NVIDIA ที่เร็วที่สุดในตลาด ณ วันนี้ GeForce 580 ($ 500) ได้รับการจัดอันดับที่ 1.6 single-precision TFlops AMD Radeon 6970 สามารถซื้อได้ในราคา $ 370 และได้รับการจัดอันดับที่ 2.7 TFlops 580 มีหน่วยประมวลผล 512 ที่ 772 MHz 6970 มีหน่วยประมวลผล 1536 หน่วยที่ 880 MHz

ความได้เปรียบจากกระดาษของ AMD ที่เหนือกว่า NVIDIA นั้นเป็นจริงเพียงใดและมีแนวโน้มที่จะรับรู้ในงาน GPGPU ส่วนใหญ่หรือไม่? เกิดอะไรขึ้นกับงานจำนวนเต็ม?

พูดเชิงเปรียบเทียบ ati มีเอนจิ้นที่ดีเมื่อเทียบกับ nvidia แต่ nvidia มีรถที่ดีกว่า: D

ส่วนใหญ่เป็นเพราะ nvidia ได้ลงทุนทรัพยากรจำนวนมาก (เป็นเงินและคน) เพื่อพัฒนาไลบรารีที่สำคัญที่จำเป็นสำหรับการคำนวณทางวิทยาศาสตร์ (BLAS, FFT) จากนั้นก็มีงานที่ดีอีกครั้งในการส่งเสริม นี่อาจเป็นเหตุผลที่ CUDA ครอบงำแท็กตรงนี้เมื่อเทียบกับ ati (หรือ OpenCL)

สำหรับข้อได้เปรียบที่เกิดขึ้นในงาน GPGPU โดยทั่วไปนั้นจะขึ้นอยู่กับปัญหาอื่น ๆ (ขึ้นอยู่กับแอปพลิเคชัน) เช่นแบนด์วิดท์การถ่ายโอนหน่วยความจำคอมไพเลอร์ที่ดีและอาจเป็นแม้แต่ไดรเวอร์ nvidia มีคอมไพเลอร์ที่เป็นผู้ใหญ่มากขึ้นไดรเวอร์ที่เสถียรกว่าบน linux (linux เนื่องจากการใช้งานแพร่หลายในการคำนวณทางวิทยาศาสตร์) เอียงสมดุลเพื่อรองรับ CUDA (อย่างน้อยก็ในตอนนี้)

แก้ไข 12 ม.ค. 2556

เป็นเวลาสองปีแล้วที่ฉันสร้างโพสต์นี้และดูเหมือนว่าจะมีผู้เข้าชมในบางครั้ง ดังนั้นฉันจึงตัดสินใจที่จะชี้แจงบางสิ่ง

• AMD ได้พัฒนาเกมของพวกเขา ตอนนี้มีทั้งห้องสมุด BLAS และ FFT นอกจากนี้ไลบรารีของบุคคลที่สามจำนวนมากกำลังครอบตัดด้วย OpenCL
• Intel ได้เปิดตัว Xeon Phi เข้าสู่การสนับสนุนทั้ง OpenMP และ OpenCL นอกจากนี้ยังมีความสามารถในการใช้รหัส x86 ที่มีอยู่ ตามที่ระบุไว้ในความคิดเห็น จำกัด x86 โดยไม่มี SSE ในตอนนี้
• NVIDIA และ CUDA ยังคงมีความได้เปรียบในช่วงของไลบรารีที่มีอยู่ อย่างไรก็ตามพวกเขาอาจไม่ได้ให้ความสำคัญกับ OpenCL มากเท่าที่เคยทำมาก่อน

กล่าวโดยย่อว่า OpenCL ได้ปิดช่องว่างในช่วงสองปีที่ผ่านมา มีผู้เล่นใหม่ในสนาม แต่ CUDA ยังคงนำหน้าอยู่เล็กน้อย

ฉันไม่มีความรู้สึกใด ๆ เกี่ยวกับ CUDA กับ OpenCL สันนิษฐานว่า OpenCL เป็นอนาคตระยะยาวเพียงแค่การเป็นมาตรฐานเปิด

แต่การ์ด NVIDIA เทียบกับ ATI ในปัจจุบันสำหรับ GPGPU (ไม่ใช่ประสิทธิภาพด้านกราฟิก แต่เป็น GPGPU) ที่ฉันมีความเห็นที่ชัดเจนเกี่ยวกับ และเพื่อนำไปสู่สิ่งนั้นฉันจะชี้ให้เห็นว่าในรายชื่อกลุ่มใหญ่ 500 อันดับแรกในปัจจุบัน NVIDIA นำระบบ AMD 4 ไปสู่ ​​1 และบนgpgpu.orgผลการค้นหา (เอกสารลิงก์ไปยังแหล่งข้อมูลออนไลน์ ฯลฯ ) สำหรับ NVIDIA มากกว่าผลลัพธ์สำหรับ AMD 6: 1

ส่วนใหญ่ของความแตกต่างนี้คือจำนวนข้อมูลออนไลน์ที่มีอยู่ ตรวจสอบ NVIDIA CUDA โซนเมื่อเทียบกับเอเอ็มดีGPGPU ผู้พัฒนากลาง จำนวนสิ่งที่มีสำหรับนักพัฒนาที่เริ่มต้นขึ้นไม่ได้ใกล้เคียงกับการเปรียบเทียบ บนเว็บไซต์ NVIDIAs คุณจะพบเอกสารมากมาย - และรหัสที่มีส่วนร่วม - จากผู้ที่อาจกำลังแก้ไขปัญหาเช่นเดียวกับคุณ คุณจะพบคลาสออนไลน์มากมายจาก NVIDIA และที่อื่น ๆ และเอกสารที่มีประโยชน์มากมายเช่นคู่มือแนวทางปฏิบัติที่ดีที่สุดของนักพัฒนาเป็นต้นความพร้อมใช้งานของเครื่องมือ devel ฟรีไม่ว่าจะเป็น profiler, cuda-gdb และอื่น ๆ - เอียงไปทาง NVIDIA อย่างท่วมท้น

(บรรณาธิการ: ข้อมูลในย่อหน้านี้ไม่ถูกต้องอีกต่อไป) และความแตกต่างบางประการก็คือฮาร์ดแวร์ด้วย การ์ด AMD มีสเปคที่ดีกว่าในแง่ของการปัดสูงสุด แต่เพื่อให้ได้ส่วนที่สำคัญคุณไม่เพียง แต่ต้องแบ่งปัญหาของคุณไปยังตัวประมวลผลสตรีมที่เป็นอิสระอย่างสมบูรณ์จำนวนมากแต่ละรายการงานยังต้องได้รับการทำเวกเตอร์ด้วย เนื่องจากโค้ด GPGPUing นั้นยากพอความซับซ้อนทางสถาปัตยกรรมที่เพิ่มขึ้นก็เพียงพอที่จะสร้างหรือทำลายบางโครงการ

และผลจากทั้งหมดนี้ก็คือชุมชนผู้ใช้ NVIDIA เติบโตขึ้นอย่างต่อเนื่อง ในสามหรือสี่กลุ่มที่ฉันรู้ว่ากำลังคิดจะสร้างคลัสเตอร์ GPU ไม่มีกลุ่มใดเลยที่พิจารณาการ์ด AMD อย่างจริงจัง และนั่นจะหมายถึงกลุ่มอื่น ๆ ที่เขียนเอกสารโค้ดร่วมและอื่น ๆ ทางฝั่ง NVIDIA

ฉันไม่ใช่หน้าม้า NVIDIA ฉันหวังว่ามันจะไม่ใช่แบบนี้และมีแพลตฟอร์ม GPGPU ที่น่าสนใจพอ ๆ กันสองแพลตฟอร์ม (หรือมากกว่านั้น!) การแข่งขันเป็นสิ่งที่ดี บางที AMD อาจจะก้าวขึ้นสู่เกมในไม่ช้า - และผลิตภัณฑ์ฟิวชั่นที่กำลังจะมาถึงก็ดูน่าสนใจมาก แต่ในการให้คำแนะนำกับใครบางคนว่าควรซื้อการ์ดใบไหนในวันนี้และจะใช้เวลาไปที่ไหนในตอนนี้ฉันไม่สามารถบอกได้ว่าสภาพแวดล้อมการพัฒนาทั้งสองอย่างดีพอ ๆ กัน

แก้ไขเพื่อเพิ่ม : ฉันเดาว่าข้างต้นเป็นรูปไข่เล็กน้อยในแง่ของการตอบคำถามเดิมขอฉันทำให้ชัดเจนขึ้นอีกนิด ประสิทธิภาพที่คุณจะได้รับจากฮาร์ดแวร์ชิ้นหนึ่งคือในโลกแห่งอุดมคติที่มีเวลาไม่ จำกัด ขึ้นอยู่กับฮาร์ดแวร์พื้นฐานและความสามารถของภาษาโปรแกรมเท่านั้น แต่ในความเป็นจริงจำนวนของประสิทธิภาพที่คุณจะได้รับในระยะเวลาที่แน่นอนที่ลงทุนนั้นขึ้นอยู่กับเครื่องมือ devel ฐานรหัสชุมชนที่มีอยู่ (เช่นไลบรารีที่เปิดเผยต่อสาธารณะเป็นต้น) การพิจารณาเหล่านี้ล้วนชี้ไปที่ NVIDIA อย่างมาก

(บรรณาธิการ: ข้อมูลในย่อหน้านี้ไม่ถูกต้องอีกต่อไป) ในแง่ของฮาร์ดแวร์ข้อกำหนดสำหรับการสร้างเวกเตอร์ภายในหน่วย SIMD ในการ์ด AMD ยังทำให้การทำงานของกระดาษทำได้ยากกว่าฮาร์ดแวร์ NVIDIA

ความแตกต่างที่สำคัญระหว่างสถาปัตยกรรมของ AMD และ NVIDIA คือ AMD ได้รับการปรับให้เหมาะสมสำหรับปัญหาที่สามารถกำหนดพฤติกรรมของอัลกอริทึมได้ในเวลาคอมไพล์ในขณะที่ NVIDIA ได้รับการปรับให้เหมาะสมสำหรับปัญหาที่สามารถกำหนดพฤติกรรมของอัลกอริทึมได้เฉพาะในเวลาทำงานเท่านั้น

AMD มีสถาปัตยกรรมที่ค่อนข้างเรียบง่ายที่ช่วยให้พวกเขาใช้ทรานซิสเตอร์ได้มากขึ้นกับ ALU ตราบใดที่ปัญหาสามารถกำหนดได้อย่างสมบูรณ์ในเวลาคอมไพล์และแมปกับสถาปัตยกรรมได้สำเร็จด้วยวิธีที่ค่อนข้างคงที่หรือเชิงเส้นมีโอกาสดีที่ AMD จะสามารถรันอัลกอริทึมได้เร็วกว่า NVIDIA

ในทางกลับกันคอมไพเลอร์ของ NVIDIA ทำการวิเคราะห์น้อยลงในเวลาคอมไพล์ NVIDIA มีสถาปัตยกรรมขั้นสูงที่พวกเขาใช้ทรานซิสเตอร์มากขึ้นในตรรกะที่สามารถจัดการกับพฤติกรรมแบบไดนามิกของอัลกอริทึมที่เกิดขึ้นในเวลาทำงานเท่านั้น

ฉันเชื่อว่าความจริงที่ว่าซูเปอร์คอมพิวเตอร์ส่วนใหญ่ที่ใช้ GPU ร่วมกับ NVIDIA นั้นเป็นประเภทของปัญหาที่นักวิทยาศาสตร์สนใจในการคำนวณบนแผนที่โดยทั่วไปจะดีกว่าสถาปัตยกรรมของ NVIDIA มากกว่าของ AMD

ฉันได้ทำการเข้ารหัสซ้ำใน OpenCL แล้ว และผลลัพธ์ของการรันใน NVIDIA และ ATI นั้นค่อนข้างเหมือนกัน ใกล้ความเร็วเท่ากันในการ์ดมูลค่าเดียวกัน ($)

ในทั้งสองกรณีความเร็วอยู่ที่ ~ 10x-30x เมื่อเทียบกับ CPU

ฉันไม่ได้ทดสอบ CUDA แต่ฉันสงสัยว่ามันสามารถแก้ปัญหาการดึงข้อมูลหน่วยความจำแบบสุ่มของฉันได้อย่างน่าอัศจรรย์ ปัจจุบัน CUDA และ OpenCL มีความเหมือนกันมากหรือน้อยและฉันเห็นอนาคตของ OpenCL มากกว่า CUDA สาเหตุหลักคือ Intel เปิดตัวไดรเวอร์ด้วย OpenCL สำหรับโปรเซสเซอร์ของตน นี่จะเป็นความก้าวหน้าครั้งใหญ่ในอนาคต (การรัน OpenCL 16, 32 หรือ 64 เธรดใน CPU นั้นเร็วมากและง่ายต่อการพอร์ตไปยัง GPU)

หลังจากใช้เวลากับ OpenCL สำหรับการ์ด GCN หลังจาก CUDA สำหรับ Fermi และ Kepler ไม่กี่ปีฉันยังคงชอบ CUDA เป็นภาษาโปรแกรมและจะเลือกฮาร์ดแวร์ AMD กับ CUDA ถ้าฉันมีตัวเลือก

ความแตกต่างหลักของ NVIDIA และ AMD (OpenCL):

สำหรับ AMD:

• แม้จะใช้ Maxwell แต่ NVidia ก็ยังมีเวลาในการตอบสนองของคำสั่งที่ยาวขึ้นและอัลกอริทึมที่ซับซ้อนมีแนวโน้มที่จะเร็วขึ้น 10 เท่าบน AMD (สมมติว่า Tflops ในทางทฤษฎีเดียวกัน) หลังจากปรับแต่งได้ง่ายสำหรับทั้งสองอย่าง ช่องว่างมากถึง 60% สำหรับ Kepler VS GCN มันยากกว่าที่จะเพิ่มประสิทธิภาพเมล็ดที่ซับซ้อนสำหรับ NVidia ในแง่นี้

• การ์ดราคาถูก.

• OpenCL เป็นมาตรฐานแบบเปิดสำหรับผู้ให้บริการรายอื่น

สำหรับ Nvidia:

• มีกลุ่มฮาร์ดแวร์ของ Tesla ที่เหมาะสำหรับการโหลดเซิร์ฟเวอร์สูงที่เชื่อถือได้

• New Maxwell เป็นวิธีที่ประหยัดพลังงานมากขึ้น

• คอมไพเลอร์และเครื่องมือเป็นวิธีที่ก้าวหน้ากว่า AMD ยังไม่สามารถใช้maxregcoutพารามิเตอร์ได้ดังนั้นคุณจึงสามารถควบคุมการเข้าพักบนฮาร์ดแวร์ต่างๆได้อย่างง่ายดายและคอมไพเลอร์ของพวกเขามีแนวคิดแบบสุ่มจำนวนมากว่าโค้ดใดที่เหมาะสมที่สุดซึ่งเปลี่ยนแปลงไปในทุกเวอร์ชันดังนั้นคุณอาจต้องกลับมาดูโค้ดเก่าทุกๆครึ่งหนึ่ง หนึ่งปีเพราะจู่ๆมันก็ช้าลง 40%

ณ จุดนี้หาก GPGPU เป็นเป้าหมายของคุณ CUDA เป็นทางเลือกเดียวเนื่องจาก opencL กับ AMD ยังไม่พร้อมสำหรับเซิร์ฟเวอร์ฟาร์มและยากกว่ามากในการเขียนโค้ดที่มีประสิทธิภาพสำหรับ AMD เนื่องจากคอมไพเลอร์มักจะ "อยู่ในเบต้า" .

ฉันยังใหม่กับ GPGPU แต่มีประสบการณ์ในการคำนวณทางวิทยาศาสตร์ (ปริญญาเอกสาขาฟิสิกส์) ฉันกำลังรวบรวมทีมวิจัยและต้องการใช้ GPGPU สำหรับการคำนวณของฉัน ฉันต้องเลือกระหว่างแพลตฟอร์มที่มี ฉันตัดสินใจเลือก Nvidia ด้วยเหตุผลสองประการ: แม้ว่า ATI อาจเร็วกว่าบนกระดาษ แต่ Nvidia มีแพลตฟอร์มที่เป็นผู้ใหญ่มากขึ้นและมีเอกสารประกอบมากขึ้นดังนั้นจึงเป็นไปได้ที่จะเข้าใกล้ประสิทธิภาพสูงสุดบนแพลตฟอร์มนี้

Nvidia ยังมีโปรแกรมสนับสนุนการวิจัยทางวิชาการซึ่งสามารถสมัครขอรับการสนับสนุนได้ฉันเพิ่งได้รับการ์ด TESLA 2075 ซึ่งฉันมีความสุขมาก ฉันไม่รู้ว่า ATI หรือ Intel สนับสนุนการวิจัยด้วยวิธีนี้หรือไม่

สิ่งที่ฉันได้ยินเกี่ยวกับ OpenCL ก็คือมันพยายามที่จะเป็นทุกอย่างในคราวเดียวเป็นความจริงที่รหัส OpenCL ของคุณจะพกพาได้มากขึ้น แต่ก็มีแนวโน้มที่จะไม่ใช้ประโยชน์จากความสามารถทั้งหมดของทั้งสองแพลตฟอร์ม ฉันอยากเรียนรู้เพิ่มเติมและเขียนโปรแกรมที่ใช้ทรัพยากรได้ดีกว่า ด้วย TESLA K10 ที่เพิ่งเปิดตัวในปีนี้ Nvidia อยู่ในช่วง 4.5 TeraFlops ดังนั้นจึงไม่ชัดเจนว่า Nvidia อยู่เบื้องหลัง ... อย่างไรก็ตาม Intel MICs สามารถพิสูจน์ได้ว่าเป็นคู่แข่งที่แท้จริงโดยเฉพาะอย่างยิ่งหากพวกเขาประสบความสำเร็จในการย้ายหน่วย GPGPU ไปที่ เมนบอร์ด แต่ตอนนี้ฉันเลือก Nvidia

ประสบการณ์ของฉันในการประเมินประสิทธิภาพจุดลอยตัวของ OpenCL มักจะชอบการ์ด NVIDIA ฉันได้ทำงานร่วมกับการวัดค่าทศนิยมสองสามจุดบนการ์ด NVIDIA ตั้งแต่ 8600M GT ไปจนถึง GTX 460 การ์ด NVIDIA บรรลุประมาณครึ่งหนึ่งของจุดสูงสุดของ single-precisino ตามทฤษฎีอย่างต่อเนื่องในเกณฑ์มาตรฐานเหล่านี้
การ์ด ATI ที่ฉันใช้งานไม่ค่อยได้ผลดีกว่าหนึ่งในสามของจุดสูงสุดที่มีความแม่นยำเดียว โปรดทราบว่าประสบการณ์ของฉันกับ ATI นั้นบิดเบี้ยว ฉันสามารถใช้งานได้กับการ์ดซีรีส์ 5000 หนึ่งใบเท่านั้น ประสบการณ์ของฉันส่วนใหญ่ใช้กับการ์ดซีรีส์ HD 4000 ซึ่งไม่ได้รับการสนับสนุนอย่างดี การรองรับการ์ด HD 5000 series นั้นดีกว่ามาก

ฉันอยากจะเพิ่มในการอภิปราย สำหรับเราในธุรกิจซอฟต์แวร์เราสามารถประนีประนอมประสิทธิภาพการทำงานที่แม่นยำเพียงครั้งเดียวเพื่อเพิ่มผลผลิตได้ แต่ถึงแม้ฉันจะไม่ต้องประนีประนอมเนื่องจากตามที่ได้ระบุไว้แล้วคุณไม่สามารถบรรลุประสิทธิภาพบนฮาร์ดแวร์ของ ATI โดยใช้ OpenCL ได้มากเท่าที่คุณจะทำได้ ถ้าคุณเขียนใน CUDA บนฮาร์ดแวร์ของ NVIDIA

และใช่ด้วยการประกาศ x86 คอมไพเลอร์สำหรับ CUDA ของ PGI จะไม่มีเหตุผลที่ดีที่จะใช้เวลาและทรัพยากรในการเขียนใน OpenCL มากขึ้น :)

PS: ข้อโต้แย้งของฉันอาจมีอคติเนื่องจากเราทำงาน GPGPU เกือบทั้งหมดบน CUDA เรามีไลบรารีการประมวลผลภาพ / คอมพิวเตอร์วิชั่น CUVI (CUDA for Vision and Imaging) ซึ่งช่วยเร่งการทำงานของ IP / CV หลักบางอย่างบน CUDA

Cuda ได้รับความนิยมมากกว่า OpenCL ณ วันนี้เนื่องจากเปิดตัว 3 หรือ 4 ปีก่อน OpenCL นับตั้งแต่เปิดตัว OpenCL Nvidia ไม่ได้มีส่วนช่วยในเรื่องภาษามากนักเนื่องจากพวกเขาให้ความสำคัญกับ CUDA มาก พวกเขายังไม่ได้เปิดตัวเวอร์ชัน openCL 1.2 สำหรับไดรเวอร์ใด ๆ

สำหรับการใช้คอมพิวเตอร์ที่แตกต่างกันเช่นเดียวกับอุปกรณ์มือถือตามที่เกี่ยวข้อง OpenCl จะได้รับความนิยมมากขึ้นในอนาคตอันใกล้นี้ ในขณะนี้ผู้สนับสนุน OpenCL รายใหญ่ที่สุดคือ AMD ซึ่งสามารถมองเห็นได้บนเว็บไซต์ของพวกเขา

จากประสบการณ์ของฉัน:

• หากคุณต้องการประสิทธิภาพที่ดีที่สุดคุณต้องดูว่าใครอยู่ในการทำซ้ำฮาร์ดแวร์ล่าสุดและใช้สแต็ก (รวมถึงรุ่นล่าสุด / เบต้า)

• หากคุณต้องการประสิทธิภาพที่ดีที่สุดสำหรับเงินคุณจะมุ่งเป้าไปที่การ์ดเกมเมอร์มากกว่าการ์ด "มืออาชีพ" และความยืดหยุ่นในการกำหนดเป้าหมายแพลตฟอร์มที่แตกต่างกันนั้นสนับสนุน opencl

• หากคุณกำลังเริ่มต้นโดยเฉพาะอย่างยิ่ง cuda มีแนวโน้มที่จะสวยงามมากขึ้นและมีเครื่องมือและไลบรารีมากขึ้น

ในที่สุดการใช้งานส่วนตัวของฉันหลังจาก "การสนับสนุน" ที่น่าตกใจจาก nvidia (เราได้รับเทสลาที่ตายแล้วและมันไม่ได้เปลี่ยนเป็นเวลาหลายเดือนในขณะที่ลูกค้ากำลังรอ): ความยืดหยุ่นในการกระโดดเรือด้วย opencl นั้นคุ้มค่ากับความเสี่ยงของประสิทธิภาพที่ลดลงเล็กน้อย เมื่อ nvidia อยู่ข้างหน้าในรอบการเปิดตัว