ทำไมเรายังคงใช้ซีพียูแทน GPU?

สำหรับฉันแล้วดูเหมือนว่าการคำนวณในสมัยนี้จะใช้ GPU เป็นจำนวนมาก เห็นได้ชัดว่ามีกราฟิกอยู่ที่นั่น แต่ใช้ CUDA และเช่น AI, hashing algorithm (คิดว่า bitcoin) และอื่น ๆ ก็ทำบน GPU เช่นกัน ทำไมเราไม่สามารถกำจัด CPU และใช้ GPU ด้วยตัวเองได้? อะไรทำให้ GPU เร็วกว่าซีพียูมาก?

TL; DR คำตอบ: GPU มีแกนประมวลผลมากกว่าคอร์มาก แต่เนื่องจาก GPU แต่ละคอร์ทำงานช้ากว่าคอร์คอร์อย่างมากและไม่มีคุณสมบัติที่จำเป็นสำหรับระบบปฏิบัติการสมัยใหม่พวกเขาจึงไม่เหมาะสำหรับการประมวลผลส่วนใหญ่ในชีวิตประจำวัน การคำนวณ เหมาะที่สุดสำหรับการคำนวณที่ใช้งานหนักเช่นการประมวลผลวิดีโอและการจำลองสถานการณ์

GPGPUยังคงเป็นแนวคิดที่ค่อนข้างใหม่ เริ่มแรกใช้ GPU เพื่อแสดงกราฟิกเท่านั้น ในฐานะที่เป็นเทคโนโลยีขั้นสูงคอร์จำนวนมากใน GPUs ที่เกี่ยวข้องกับซีพียูถูกใช้ประโยชน์โดยการพัฒนาความสามารถในการคำนวณสำหรับ GPU เพื่อให้พวกเขาสามารถประมวลผลสตรีมข้อมูลขนานจำนวนมากพร้อมกันไม่ว่าข้อมูลนั้นจะเป็นอย่างไร ในขณะที่ GPU สามารถมีตัวประมวลผลสตรีมนับร้อยหรือพันตัวแต่ละตัวจะทำงานช้ากว่าซีพียูคอร์และมีคุณสมบัติน้อยกว่า (แม้ว่าพวกเขาจะทัวริงเสร็จสมบูรณ์และสามารถตั้งโปรแกรมให้เรียกใช้โปรแกรมใด ๆ คุณสมบัติที่ขาดหายไปจาก GPUs ได้แก่ การขัดจังหวะและหน่วยความจำเสมือนซึ่งจำเป็นต้องใช้กับระบบปฏิบัติการที่ทันสมัย

กล่าวอีกนัยหนึ่งซีพียูและ GPU มีสถาปัตยกรรมที่แตกต่างกันอย่างมากซึ่งทำให้เหมาะกับงานที่แตกต่างกัน GPU สามารถจัดการข้อมูลจำนวนมากในสตรีมจำนวนมากซึ่งทำงานได้ค่อนข้างง่าย แต่ไม่เหมาะสำหรับการประมวลผลที่หนักหน่วงหรือซับซ้อนในสตรีมข้อมูลหนึ่งหรือสองสามตัว CPU นั้นเร็วกว่ามากต่อหนึ่งคอร์ (ในแง่ของคำแนะนำต่อวินาที) และสามารถดำเนินการที่ซับซ้อนบนสตรีมข้อมูลเพียงหนึ่งหรือสองสามลำได้ง่ายขึ้น แต่ไม่สามารถจัดการกับสตรีมจำนวนมากได้อย่างมีประสิทธิภาพพร้อมกัน

ด้วยเหตุนี้ GPU จึงไม่เหมาะที่จะจัดการกับงานที่ไม่ได้รับประโยชน์อย่างมากจากหรือไม่สามารถขนานกันได้รวมถึงแอพพลิเคชั่นสำหรับผู้ใช้ทั่วไปเช่นเวิร์ดโปรเซสเซอร์ นอกจากนี้ GPU ยังใช้สถาปัตยกรรมที่แตกต่างกันโดยพื้นฐาน จะต้องตั้งโปรแกรมแอปพลิเคชันเฉพาะสำหรับ GPU เพื่อให้ทำงานได้และต้องใช้เทคนิคที่แตกต่างกันอย่างมากในการโปรแกรม GPU เทคนิคที่แตกต่างกันเหล่านี้รวมถึงภาษาการเขียนโปรแกรมใหม่การปรับเปลี่ยนภาษาที่มีอยู่และกระบวนทัศน์การเขียนโปรแกรมใหม่ที่เหมาะสมกับการแสดงการคำนวณเป็นการดำเนินการแบบขนานที่จะดำเนินการโดยสตรีมโปรเซสเซอร์จำนวนมาก สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเทคนิคที่จำเป็นในการเขียนโปรแกรม GPUs ดูบทความวิกิพีเดียในการประมวลผลสตรีมและการคำนวณแบบขนาน

GPU รุ่นใหม่มีความสามารถในการปฏิบัติการเวกเตอร์และเลขคณิตทศนิยมด้วยบัตรล่าสุดที่สามารถจัดการตัวเลขจุดลอยตัวที่มีความแม่นยำสองเท่า เฟรมเวิร์กเช่น CUDA และ OpenCL ช่วยให้สามารถเขียนโปรแกรมสำหรับ GPU ได้และลักษณะของ GPU ทำให้พวกเขาเหมาะสมที่สุดสำหรับการดำเนินการแบบขนานได้สูงเช่นในการคำนวณทางวิทยาศาสตร์ คำนวณคลัสเตอร์ในขณะที่เอ็นเทสลาซูเปอร์คอมพิวเตอร์ส่วนบุคคล ผู้บริโภคที่มี GPU ที่ทันสมัยที่มีประสบการณ์กับ Folding @ home สามารถใช้พวกเขาเพื่อสนับสนุนลูกค้า GPUซึ่งสามารถจำลองการพับโปรตีนด้วยความเร็วสูงมากและมีส่วนร่วมในการทำงานมากขึ้นในโครงการ (โปรดอ่านคำถามที่พบบ่อยก่อนโดยเฉพาะที่เกี่ยวข้องกับ GPU) GPU สามารถเปิดใช้งานการจำลองทางฟิสิกส์ที่ดีขึ้นในวิดีโอเกมโดยใช้ PhysX เร่งการเข้ารหัสและถอดรหัสวิดีโอและทำงานอื่น ๆ ที่เน้นการคำนวณ เป็นประเภทของงานเหล่านี้ที่ GPUs เหมาะสมที่สุดสำหรับการทำงาน

AMD เป็นผู้บุกเบิกการออกแบบตัวประมวลผลที่เรียกว่าหน่วยประมวลผลเร่ง (APU)ซึ่งรวมแกนประมวลผล x86 แบบดั้งเดิมกับ GPU วิธีนี้ช่วยให้ประสิทธิภาพการทำงานของกราฟิกเหนือกว่าโซลูชั่นกราฟิกแบบรวมของเมนบอร์ด (แม้ว่าจะไม่ตรงกับ GPU แยกที่มีราคาแพงกว่า) และช่วยให้ระบบมีขนาดกะทัดรัดและราคาประหยัดพร้อมประสิทธิภาพมัลติมีเดียที่ดีโดยไม่จำเป็นต้องแยก GPU โปรเซสเซอร์ Intel ล่าสุดยังมีกราฟิกแบบรวมในชิปแม้ว่าประสิทธิภาพการทำงานของ GPU แบบบูรณาการในการแข่งขันจะถูก จำกัด อยู่เพียงไม่กี่ชิปด้วย Intel Iris Pro Graphics ในขณะที่เทคโนโลยียังคงก้าวหน้าเราจะเห็นการบรรจบกันของชิ้นส่วนที่แยกออกมาเพิ่มขึ้น AMD วาดภาพอนาคตที่ CPU และ GPU เป็นหนึ่งในความสามารถในการทำงานร่วมกันได้อย่างลงตัวในงานเดียวกัน

อย่างไรก็ตามงานจำนวนมากที่ดำเนินการโดยระบบปฏิบัติการ PC และแอพพลิเคชั่นยังคงเหมาะสมกับซีพียูมากขึ้นและจำเป็นต้องใช้งานจำนวนมากเพื่อเร่งความเร็วโปรแกรมโดยใช้ GPU เนื่องจากซอฟต์แวร์ที่มีอยู่จำนวนมากใช้สถาปัตยกรรม x86 และเนื่องจาก GPU ต้องการเทคนิคการเขียนโปรแกรมที่แตกต่างกันและขาดคุณสมบัติที่สำคัญหลายประการที่จำเป็นสำหรับระบบปฏิบัติการการเปลี่ยนจากซีพียูมาเป็น GPU โดยทั่วไปสำหรับการใช้คอมพิวเตอร์ในชีวิตประจำวันเป็นเรื่องยากมาก

อะไรทำให้ GPU เร็วกว่าซีพียูมาก?

GPU ไม่เร็วกว่าซีพียู CPU และ GPU ได้รับการออกแบบโดยมีเป้าหมายที่แตกต่างกันสองแบบโดยมีข้อดีที่แตกต่างกันดังนั้นจึงมีคุณสมบัติด้านประสิทธิภาพที่แตกต่างกัน งานบางอย่างเร็วขึ้นใน CPU ในขณะที่งานอื่น ๆ คำนวณได้เร็วขึ้นใน GPU ซีพียูเก่งในการทำกิจวัตรที่ซับซ้อนให้กับชุดข้อมูลขนาดเล็ก GPU นั้นเก่งในการทำกิจวัตรอย่างง่าย ๆ กับชุดข้อมูลขนาดใหญ่

GPU เป็น CPU ที่มีวัตถุประสงค์พิเศษออกแบบมาเพื่อให้คำสั่งเดียวทำงานได้มากกว่าบล็อกข้อมูลขนาดใหญ่ (SIMD / Single Instruction Multiple Data) ทั้งหมดนี้ใช้การทำงานแบบเดียวกัน การทำงานในบล็อกของข้อมูลนั้นมีประสิทธิภาพมากกว่าการทำงานกับเซลล์เดี่ยวในแต่ละครั้งเพราะลดค่าใช้จ่ายในการถอดรหัสคำแนะนำอย่างไรก็ตามการทำงานในบล็อกขนาดใหญ่หมายความว่ามีหน่วยการทำงานแบบขนานมากขึ้นดังนั้นจึงใช้ทรานซิสเตอร์มากขึ้น เพื่อใช้คำสั่ง GPU เดี่ยว (ก่อให้เกิดข้อ จำกัด ทางกายภาพขนาดใช้พลังงานมากขึ้นและสร้างความร้อนมากขึ้น)

CPU ได้รับการออกแบบมาเพื่อดำเนินการคำสั่งเดียวใน datum เดียวโดยเร็วที่สุด เนื่องจากมันจำเป็นต้องทำงานกับ datum เพียงครั้งเดียวจำนวนของทรานซิสเตอร์ที่จำเป็นต้องใช้ในการเรียนการสอนเพียงครั้งเดียวจึงน้อยกว่ามากดังนั้น CPU สามารถที่จะมีชุดคำสั่งที่ใหญ่กว่า ALU ที่ซับซ้อนมากขึ้นการทำนายสาขาที่ดีขึ้น สถาปัตยกรรมและรูปแบบการแคช / การวางท่อที่ซับซ้อนยิ่งขึ้น วงจรการสอนของมันเร็วขึ้นเช่นกัน

เหตุผลที่เรายังใช้ซีพียูไม่ได้เพราะ x86 เป็นราชาแห่งสถาปัตยกรรมซีพียูและ Windows เขียนขึ้นสำหรับ x86 เหตุผลที่เรายังคงใช้ซีพียูเป็นเพราะงานประเภทที่ระบบปฏิบัติการจำเป็นต้องทำคือการตัดสินใจ ทำงานได้อย่างมีประสิทธิภาพมากขึ้นในสถาปัตยกรรมของ CPU ระบบปฏิบัติการต้องการดูข้อมูลประเภทต่างๆ 100s และทำการตัดสินใจต่าง ๆ ซึ่งขึ้นอยู่กับซึ่งกันและกัน งานประเภทนี้ไม่ได้ขนานกันอย่างง่าย ๆ อย่างน้อยก็ไม่ได้อยู่ในสถาปัตยกรรม SIMD

ในอนาคตสิ่งที่เราจะเห็นคือการรวมกันระหว่างสถาปัตยกรรม CPU และ GPU เนื่องจาก CPU ได้รับความสามารถในการทำงานมากกว่าบล็อกข้อมูลเช่น SSE นอกจากนี้เมื่อเทคโนโลยีการผลิตดีขึ้นและชิปมีขนาดเล็กลง GPU สามารถที่จะปฏิบัติตามคำแนะนำที่ซับซ้อนมากขึ้น

GPU ขาด:

1. หน่วยความจำเสมือน (!!!)
2. หมายถึงการระบุอุปกรณ์อื่นนอกเหนือจากหน่วยความจำ (เช่นคีย์บอร์ดเครื่องพิมพ์ที่เก็บข้อมูลสำรองเป็นต้น)
3. ขัดจังหวะ

คุณต้องมีสิ่งเหล่านี้เพื่อใช้งานระบบปฏิบัติการที่ทันสมัย

พวกเขายังช้า (ที่ค่อนข้าง) ที่เลขคณิตความแม่นยำสองเท่า (เมื่อเทียบกับประสิทธิภาพเลขคณิตความเที่ยงเดียว) * และมีขนาดใหญ่กว่า (ในแง่ของขนาดของซิลิคอน) สถาปัตยกรรม GPU รุ่นเก่าไม่รองรับการโทรทางอ้อม (ผ่านตัวชี้ฟังก์ชั่น) ที่จำเป็นสำหรับการเขียนโปรแกรมวัตถุประสงค์ทั่วไปส่วนใหญ่และสถาปัตยกรรมล่าสุดที่ช้าลง ในที่สุด (ตามคำตอบอื่น ๆ ที่ระบุไว้) สำหรับงานที่ไม่สามารถขนานกันได้ GPU จะแพ้เมื่อเทียบกับ CPU ที่มีปริมาณงานเท่ากัน

แก้ไข : โปรดทราบว่าการตอบสนองนี้ถูกเขียนขึ้นในปี 2011 - เทคโนโลยี GPU เป็นพื้นที่ที่เปลี่ยนแปลงตลอดเวลา สิ่งต่าง ๆ อาจแตกต่างกันมากขึ้นอยู่กับเมื่อคุณอ่านข้อความนี้: หน้า

* GPU บางตัวไม่ได้ช้าที่เลขคณิตความแม่นยำสองเท่าเช่นเส้น Quadro หรือ Tesla ของ NVidia (รุ่น Fermi หรือใหม่กว่า) หรือสาย FirePro ของ AMD (รุ่น GCN หรือใหม่กว่า) แต่สิ่งเหล่านี้ไม่ได้อยู่ในเครื่องผู้บริโภคส่วนใหญ่

ซีพียูเปรียบเสมือนพนักงานที่ทำงานเร็วมาก GPU เป็นเหมือนกลุ่มคนงานโคลนที่ไปอย่างรวดเร็ว แต่ทุกคนต้องทำสิ่งเดียวกันพร้อมเพรียงกัน (ยกเว้นว่าคุณสามารถมีโคลนบางตัวที่ไม่ทำงานถ้าคุณต้องการ)

คุณอยากให้นักพัฒนาคนใดคนหนึ่งเป็นซุปเปอร์ฟาสต์คนหนึ่งหรือโคลสฟาส 100 อันที่ไม่เร็วเท่าไหร่ แต่ทุกคนต้องทำสิ่งเดียวกันพร้อม ๆ กัน?

สำหรับการกระทำบางอย่างโคลนนั้นค่อนข้างดีเช่นกวาดพื้น - พวกเขาแต่ละคนสามารถกวาดมันได้

สำหรับการดำเนินการบางอย่างโคลนเหม็นเช่นเขียนรายงานรายสัปดาห์ - โคลนทั้งหมด แต่ไม่มีการใช้งานในขณะที่หนึ่งโคลนเขียนรายงาน (มิฉะนั้นคุณจะได้รับ 100 สำเนาของรายงานเดียวกัน)

เนื่องจาก GPU ได้รับการออกแบบให้ทำสิ่งเล็ก ๆ น้อย ๆ มากมายในเวลาเดียวกันและ CPU ได้รับการออกแบบให้ทำสิ่งหนึ่งครั้ง หากกระบวนการของคุณสามารถทำให้ขนานกันอย่างหนาแน่นเช่นการแปลงแป้นพิมพ์ GPU เป็นคำสั่งที่มีขนาดเร็วขึ้นมิฉะนั้นจะไม่เป็นเช่นนั้น

CPU ของคุณสามารถคำนวณแฮชได้เร็วกว่า GPU ของคุณมาก - แต่เวลาที่ใช้ CPU ในการทำ GPU ของคุณอาจเป็นส่วนหนึ่งในการแฮชหลายร้อยครั้ง GPU ได้รับการออกแบบมาเพื่อทำสิ่งต่าง ๆ มากมายในเวลาเดียวกันและ CPU ได้รับการออกแบบให้ทำสิ่งหนึ่งครั้ง แต่อย่างรวดเร็ว

ปัญหาคือ CPU และ GPU เป็นวิธีการแก้ปัญหาที่แตกต่างกันมากมีการเหลื่อมกันเล็กน้อย แต่โดยทั่วไปสิ่งที่อยู่ในโดเมนจะอยู่ในโดเมน เราไม่สามารถแทนที่ CPU ด้วย GPU เพราะ CPU กำลังทำงานอยู่ที่นั่นทำงานได้ดีกว่าที่เคยมีมาเพียงเพราะ GPU ไม่ได้ออกแบบมาเพื่อทำงานและ CPU คือ

หมายเหตุเล็กน้อยหากเป็นไปได้ที่จะทิ้งซีพียูและมีเพียง GPU คุณไม่คิดว่าเราจะเปลี่ยนชื่อหรือไม่ :)

คุณถามจริงๆหรือเปล่าว่าทำไมเราถึงไม่ใช้ GPU เหมือนสถาปัตยกรรมใน CPU?

GPU เป็นเพียงซีพียูเฉพาะของกราฟิกการ์ด เราให้การคำนวณ GPU ที่ไม่ใช่กราฟิกเนื่องจาก CPU สำหรับวัตถุประสงค์ทั่วไปนั้นไม่ได้อยู่ในการดำเนินการแบบขนานและแบบลอย

เราใช้สถาปัตยกรรมซีพียูที่แตกต่างกัน (มากกว่า GPU-ish) เช่นโปรเซสเซอร์Niagaraค่อนข้างทำงานหลายอย่าง SPARC T3จะรัน 512 เธรดพร้อมกัน

ฉันอาจถูกเข้าใจผิดอย่างน่ากลัวที่นี่และฉันกำลังพูดจากผู้มีอำนาจเพียงเล็กน้อยหรือไม่มีเลยในเรื่อง แต่นี่ไป:

• ฉันเชื่อว่าหน่วยประมวลผล GPU แต่ละตัว ("core") มีพื้นที่ที่อยู่ที่ จำกัด มากเมื่อเทียบกับ CPU

• หน่วยประมวลผล GPU ไม่สามารถจัดการกับการแตกแขนงได้อย่างมีประสิทธิภาพ

• หน่วยดำเนินการ GPU ไม่สนับสนุนการขัดจังหวะฮาร์ดแวร์ในลักษณะเดียวกับที่ซีพียูทำ

ฉันคิดเสมอว่าวิธีการใช้งาน GPU หมายถึงเป็นเหมือน Playstation 3 "SPEs" พวกเขาต้องการได้รับบล็อกของข้อมูลเรียกใช้การดำเนินการตามลำดับจำนวนหนึ่งจากนั้นคายบล็อกอื่นของ ข้อมูลล้างทำซ้ำ พวกเขาไม่มีหน่วยความจำที่สามารถระบุตำแหน่งได้มากเท่ากับ "CPE" หลัก แต่ความคิดคือการอุทิศ "SPE" แต่ละรายการให้กับงานเฉพาะตามลำดับ เอาต์พุตของยูนิตหนึ่งอาจป้อนอินพุตของยูนิตอื่น

หน่วยดำเนินการทำงานได้ไม่ดีหากพวกเขาพยายามที่จะ "วิเคราะห์" ข้อมูลและทำการตัดสินใจโดยขึ้นอยู่กับว่าข้อมูลนั้นคืออะไร

"บล็อกข้อมูล" เหล่านี้สามารถเป็นส่วนหนึ่งของสตรีมได้เช่นรายการจุดยอดจากตารางสถานะของเกมข้อมูล MPEG จากดิสก์เป็นต้น

หากมีบางสิ่งที่ไม่ตรงกับโมเดล "สตรีมมิ่ง" นี้คุณก็มีงานที่ไม่สามารถกระจายตัวได้อย่างมีประสิทธิภาพและ GPU ไม่จำเป็นต้องเป็นทางออกที่ดีที่สุดสำหรับมัน ตัวอย่างที่ดีคือการประมวลผลกิจกรรมภายนอกเช่นคีย์บอร์ดจอยสติกหรืออินพุตเครือข่าย มีหลายสิ่งหลายอย่างที่ไม่เข้ากับโมเดลดังกล่าว แต่จะมีบางอย่างอยู่เสมอ

นี่ไม่เกี่ยวกับความเร็วหรือวัตถุประสงค์ของนาฬิกา พวกเขาทั้งสองสามารถทำงานให้สำเร็จได้อย่างเท่าเทียมกันถ้าไม่ได้ทำงานทั้งหมด อย่างไรก็ตามบางงานก็ค่อนข้างเหมาะสำหรับงานบางงาน

มีการถกเถียงกันมานานมากว่าจะดีกว่าถ้ามีแกนใบ้จำนวนมากหรือกลุ่มแกนเล็ก ๆ ที่ฉลาดมาก สิ่งนี้จะย้อนกลับไปในยุค 80 ได้อย่างง่ายดาย

ภายใน CPU มีการคำนวณที่เป็นไปได้มากมายที่สามารถทำได้ แกนที่ชาญฉลาดสามารถทำการคำนวณที่แตกต่างกันจำนวนมากในเวลาเดียวกัน (เช่นมัลติคอร์ แต่ไม่ซับซ้อนมันดูการขนานระดับคำสั่ง ) สมาร์ทคอร์สามารถทำการคำนวณได้หลายอย่างในเวลาเดียวกัน (เพิ่ม, ลบ, คูณ, หาร, แบ่งการทำงานของหน่วยความจำ) แต่จะทำได้ทีละครั้งเท่านั้น ด้วยเหตุนี้พวกเขามีขนาดใหญ่ขึ้นทางกายภาพ (และดังนั้นจึงมีราคาแพงกว่ามาก) จากนั้นแกนกลางโง่

แกนใบ้นั้นเล็กกว่ามากและสามารถเพิ่มเติมได้ในชิปตัวเดียว แต่ไม่สามารถทำการคำนวณพร้อมกันได้มากมาย มีความสมดุลที่ดีระหว่างแกนใบ้จำนวนมากกับแกนอัจฉริยะสองสามตัว

สถาปัตยกรรมแบบมัลติคอร์ทำงานได้ดีกับกราฟิกเพราะการคำนวณสามารถแบ่งได้ง่ายกว่าหลายร้อยคอร์ แต่ยังขึ้นอยู่กับคุณภาพของรหัสและรหัสอื่น ๆ นั้นขึ้นอยู่กับผลลัพธ์ของการคำนวณหนึ่งครั้ง

นี้เป็นมากคำถามที่ซับซ้อนกว่านั้นอาจปรากฏ สำหรับข้อมูลเพิ่มเติมอ่านบทความนี้เกี่ยวกับการออกแบบ CPU:

Modern Microprocessors - คู่มือ 90 นาที

http://www.lighterra.com/papers/modernmicroprocessors/

ฉันต้องการเจาะลึกลงไปหนึ่งจุด Syntactic: คำว่า CPU และ GPU เป็นชื่อที่ใช้งานได้ไม่ใช่ชื่อทางสถาปัตยกรรม

หากคอมพิวเตอร์ต้องใช้ GPU เป็นตัวประมวลผลหลักมันจะกลายเป็น "หน่วยประมวลผลกลาง" (CPU) โดยไม่คำนึงถึงสถาปัตยกรรมและการออกแบบ

โปรดทราบว่าไม่มีเส้นแบ่งที่น่าอัศจรรย์ในพื้นที่สถาปัตยกรรมที่ทำให้หน่วยประมวลผลหนึ่งเป็น "ส่วนกลาง" และอีกหนึ่ง "กราฟิก" อย่างใดอย่างหนึ่ง (ดี GPU บางตัวอาจจะง่อยเกินกว่าที่จะเข้าใจได้อย่างสมบูรณ์ แต่มันไม่ใช่สิ่งที่เรากำลังพูดถึงอยู่ที่นี่)

ความแตกต่างเป็นหนึ่งในวิธีการติดตั้งบนกระดานและงานที่มอบให้ แน่นอนว่าเราใช้ตัวประมวลผลทั่วไป (หรือชุดตัวประมวลผลวัตถุประสงค์ทั่วไป) สำหรับผู้เสนอญัตติข้อมูลหลักและหน่วยพิเศษที่ขนานกันและเรียงกันเป็นแนวลึกสำหรับสิ่งต่าง ๆ (เช่นกราฟิก) เพื่อใช้ประโยชน์จากพวกเขาได้ดีที่สุด

กลเม็ดที่น่าทึ่งส่วนใหญ่ที่ใช้ในการสร้าง GPU ทำสิ่งที่พวกเขาเร็วมากนั้นถูกพัฒนาขึ้นเป็นครั้งแรกโดยผู้ที่พยายามทำให้ CPU เร็วขึ้นและดีขึ้น ปรากฎว่า Word และ Excel และ Netscape และอื่น ๆ อีกมากมายที่ผู้คนใช้คอมพิวเตอร์ของพวกเขาไม่เพียง แต่ไม่ได้ใช้ประโยชน์จากฟีเจอร์ที่นำเสนอโดยชิปเฉพาะทางกราฟิก แต่ยังทำงานได้ช้ากว่าในสถาปัตยกรรมเหล่านั้น และช้า) ล้างเส้นท่อ

จุดทั้งหมดของการมี GPU คือเพื่อบรรเทาซีพียูจากการคำนวณกราฟิกราคาแพงที่ทำในเวลานั้น
ด้วยการรวมเข้ากับโปรเซสเซอร์เดียวอีกครั้งก็จะกลับไปที่จุดเริ่มต้นทั้งหมด

ด้วยเหตุผลง่ายๆ: แอปพลิเคชันส่วนใหญ่ไม่ได้มีหลายเธรด / เวกเตอร์

การ์ดกราฟิกต้องพึ่งพาเธรดหลายเธรดอย่างน้อยในแนวคิด

เปรียบเทียบรถยนต์กับเครื่องยนต์เดียวและรถยนต์ที่มีเครื่องยนต์ขนาดเล็กหนึ่งตัวต่อล้อ ด้วยรถหลังคุณต้องสั่งเครื่องยนต์ทั้งหมดซึ่งเป็นสิ่งที่ไม่ได้นำมาพิจารณาสำหรับมุมมองการเขียนโปรแกรมระบบ

ด้วยฟิวชั่นของ AMD มันจะเปลี่ยนวิธีที่เราจะต้องใช้ประโยชน์จากพลังการประมวลผล: ทั้งแบบเวกเตอร์และแบบรวดเร็วสำหรับหนึ่งเธรด

เหตุผลที่เรายังใช้ซีพียูอยู่ก็คือทั้งซีพียูและ GPU นั้นมีข้อดีที่เป็นเอกลักษณ์ ดูกระดาษต่อไปนี้ของฉันซึ่งได้รับการยอมรับใน ACM Computing Surveys 2015 ซึ่งให้การอภิปรายอย่างละเอียดและครอบคลุมเกี่ยวกับการย้ายออกจาก 'การอภิปราย CPU เทียบกับ GPU' เป็น 'การคำนวณร่วมกันของ CPU-GPU'

การสำรวจของ CPU-GPU เทคนิคการคำนวณที่ต่างกัน

หากจะใส่ GPU ก็สามารถนำไปเปรียบเทียบกับรถพ่วงในรถได้ โดยปกติแล้วลำต้นจะเพียงพอสำหรับคนส่วนใหญ่ยกเว้นกรณีถ้าพวกเขาซื้อสิ่งที่ใหญ่จริง ๆ จากนั้นพวกเขาสามารถต้องการตัวอย่าง เช่นเดียวกันกับ GPU โดยปกติจะเพียงพอที่จะมี CPU ธรรมดาซึ่งจะทำให้งานส่วนใหญ่สำเร็จ แต่ถ้าคุณต้องการการคำนวณที่เข้มข้นในหลาย ๆ เธรดคุณสามารถใช้ GPU ได้

gpus เป็นสตรีมโปรเซสเซอร์ที่ดี คุณสามารถนึกถึงการประมวลผลแบบสตรีมเป็นการคูณตัวเลขที่มีความยาวตามลำดับ ซีพียูยังมีความสามารถในการประมวลผลสตรีม (เรียกว่าส่วนขยาย SIMD) แต่คุณไม่สามารถใช้ตรรกะการเขียนโปรแกรมทั้งหมดเป็นการประมวลผลสตรีมและคอมไพเลอร์มีตัวเลือกในการสร้าง btyecode ซึ่งใช้คำสั่ง simd ทุกครั้งที่ทำได้

ไม่ใช่ทุกอย่างที่เป็นจำนวนเต็ม รูปภาพและวิดีโออาจฟังดูด้วย (มีตัวเข้ารหัส opencl อยู่ที่นี่และที่นั่น) gpus จึงสามารถประมวลผลเข้ารหัสและถอดรหัสภาพวิดีโอและสิ่งอื่นที่คล้ายคลึงกัน ข้อเสียเปรียบอย่างหนึ่งคือคุณไม่สามารถถ่ายทุกอย่างเพื่อ gpus ในเกมได้เพราะมันจะทำให้พูดติดอ่าง gpus ยุ่งกับกราฟิกและควรจะเป็นคอขวดในระบบเมื่อเล่นเกม ทางออกที่ดีที่สุดคือการใช้ส่วนประกอบทั้งหมดในพีซีอย่างเต็มที่ ตัวอย่างเช่นเอ็นจิ้น physx ของ nvidia โดยค่าเริ่มต้นทำการคำนวณบน cpu เมื่อ gpu ถูกใช้อย่างเต็มที่