Editor ‘ s note: Vi har oppdatert vår opprinnelige innlegget på forskjeller mellom Gpu og Cpu-er, forfattet av Kevin Krewell, og publisert i desember 2009.
CPU-en (central processing unit) har blitt kalt hjernen til en PC. GPU sin sjel. Over det siste tiåret, men Gpu-er, som har brutt ut av den boxy rammen av PC-en.
Gpuer har antent en verdensomspennende AI-boom. De har blitt en viktig del av moderne supercomputing., De har vært vevd inn viltvoksende nye hyperscale datasentre. Fortsatt ettertraktet av spillere, de har blitt hurtigvalg for fartsovertredelse opp alle slags oppgaver fra kryptering til nettverk til AI.
Og de fortsetter å drive fremskritt i pengespill-og pro-grafikk inne arbeidsstasjoner, stasjonære Pc-er og en ny generasjon av bærbare datamaskiner.
Hva Er en GPU?
Mens Gpu (graphics processing unit) er nå om mye mer enn det Pc-er som de først dukket opp, de forblir forankret i en mye eldre ideen som kalles parallell databehandling. Og det er det som gjør Gpu-er så kraftig.
Cpuer, for å være sikker, er fortsatt viktig. Rask og allsidig, og Cpuer løp gjennom en rekke oppgaver som krever mye av interaktivitet. Ringe opp informasjon fra en harddisk i respons til brukerens tastetrykk, for eksempel.
i motsetning Gpu bryte komplekse problemer i tusenvis eller millioner av egne oppgaver og arbeid dem ut på en gang.,
Det gjør dem ideelle for grafikk, der teksturer, belysning og gjengivelse av former må gjøres på en gang for å holde bilder som flyr over skjermen.,v id=»bdcf9e66d4″>
Arkitektonisk, CPU-er sammensatt av bare et par kjerner med massevis av cache-minne som kan håndtere noen programvare tråder på en gang., I motsetning, en GPU er sammensatt av hundrevis av kjerner som kan håndtere tusenvis av tråder samtidig.
Gpu-leverer gang-esoteriske teknologi parallell databehandling. Det er en teknologi med en spennende stamtavle som inneholder navn som supercomputing geni Seymor Cray. Men snarere enn å ta form av hulking superdatamaskiner, Gpu sette denne ideen om å arbeide i stasjonære pc-er og spillkonsoller over mer enn en milliard spillere.
For Gpu-er, Pc-Grafikk Første av Mange Apps
program — datamaskin grafikk — var bare den første av flere killer apps., Og det er drevet av den enorme R&D motor bak Gpu fremover. Alt dette gjør at Gpu-er i stand til å rase i forkant av mer spesialiserte, fast-funksjonen chips som serverer nisje markeder.
en Annen faktor som gjør alle at det er strøm tilgjengelig: CUDA. Først utgitt i 2007, og parallell databehandling plattformen lar programmerere dra nytte av datakraft Gpu-er for generelle formål behandling ved å sette inn et par enkle kommandoer inn koden sin.
Det er la Gpu-er, som formerer seg i overraskende nye felt., Og med støtte for en raskt voksende antall av standarder — for eksempel Kubernetes og Dockers — programmer kan testes på en lav-kost skrivebordet GPU og skaleres ut til raskere, mer sofistikert server Gpu-er så godt som alle de store nettsky-tjeneste leverandør.
Cpuer og Slutten av moores Lov
Med Moore ‘ s lov svingete ned, Gpu, oppfunnet av NVIDIA i 1999, kom akkurat i tide.
Moore ‘ s lov angir at antall transistorer som kan stappes inn i en integrert krets, som vil doble seg om hver to år. For flere tiår, som er drevet av en rask økning av datakraft., At loven har imidlertid kjøre opp mot harde fysiske grenser.
Gpu-er tilbyr en måte å fortsette akselererende applikasjoner, for eksempel grafikk, supercomputing og AI — ved å dele oppgaver blant mange prosessorer. Slike aktiviteter er avgjørende for fremtiden til halvledere, ifølge John Hennessey og David Patterson, vinnere av 2017 A. M. Turing-Prisen, og forfatterne av Datamaskinen Arkitektur: En Kvantitativ Tilnærming den første lærebok på mikroprosessorer.,
Gpu: Nøkkelen til AI, Computer Vision, Supercomputing og Mer
i Løpet av de siste tiår som har bevist at nøkkelen til et voksende spekter av applikasjoner.
Gpu utføre mye mer arbeid for hver enhet av energi enn Cpuer. Det gjør dem nøkkelen til superdatamaskiner som ellers ville presse forbi grensene for dagens elektriske kraftnett.
I AI, Gpu-er har blitt nøkkelen til en teknologi som kalles «deep læring.»Dyp læring strømmer enorme mengder data via nevrale nettverk, lære dem til å utføre oppgaver for komplisert for noen menneskelige koder for å beskrive.,
AI og Gaming: GPU-Drevet Dyp Læring Kommer Full Sirkel
Som dypt læringsevnen er akselerert takket være inkluderingen av et dedikert Tensoren Kjerner i NVIDIA Gpu. Tensoren Kjerner akselerere stor matrise operasjoner, i hjertet av AI, og utføre blandet presisjon matrix multiplisere-og-samle beregninger i en enkelt operasjon. Som ikke bare hastigheter tradisjonelle AI oppgaver av alle slag, det er nå blir tappet for å akselerere gaming.,
I bilindustrien, Gpu-er, som tilbyr mange fordeler. De gir enestående image anerkjennelse evner, som du ville forvente. Men de er også viktige for å skape selvkjørende biler i stand til å lære av og tilpasse seg til et stort antall forskjellige reelle scenarier.,
I robotics, Gpu-er nøkkelen til å gjøre maskinene til å oppfatte sine omgivelser, som du ville forvente. Den kunstige intelligensen deres evner, men har blitt nøkkelen til maskiner som kan lære komplekse oppgaver, som å navigere selvstendig.
I helse-og biovitenskap, Gpu-er, som tilbyr mange fordeler. De er ideelle for bildebehandling oppgaver, selvfølgelig. Men GPU-baserte dybdekunnskap hastigheter analyse av disse bildene. De kan knase medisinske data og hjelpe slå at data, gjennom dyp læring, inn i nye evner.
kort sagt, Gpu-er har blitt avgjørende. De begynte med akselererende spill og grafikk., Nå er de akselererende flere og flere områder hvor computing hestekrefter vil gjøre en forskjell.
- AI Er å Spise Programvare
- AI-Stasjoner Fremveksten av Akselerert Databehandling i datasentre
- Hva er Forskjellen Mellom Maskinvare og Programvare Akselerert Ray Tracing?
- Hva Er Max-Q?
- Hva Er en Virtuell GPU?
- Hva er Forskjellen Mellom Ray Tracing og Rasterization?,
- Hva er Forskjellen Mellom Kunstig Intelligens -, Maskin-Læring, og dybdekunnskap?
- Hva Er NVLink?
- Hva Er CUDA?