1. 首页
  2. 机器学习

GPU与CPU如何选择

CPU和GPU有很多共同点。它们都是基于硅的微处理器。同时,它们本质上是不同的,并且它们被部署为不同的角色。

ai-centre-teaser-1

CPU(中央处理器)通常被称为计算机的“大脑”或“心脏”。需要运行大多数工程和办公软件。但是,有许多任务可能使计算机的中央处理器不堪重负。那就是使用GPU成为计算必不可少的时候。

GPU(图形处理单元)是一种特殊类型的微处理器,主要设计用于快速图像渲染。GPU的出现是对图形密集型应用程序的响应,这些应用程序给CPU造成负担,并降低计算机性能。它们成为从CPU分担这些任务的一种方法,但是现代图形处理器功能强大,足以执行除渲染之外的许多其他目的的快速数学计算。

CPU和GPU以不同的方式处理任务。关于相互关系,经常将它们与大脑和肌肉进行比较。CPU(大脑)可以进行各种不同的计算,而GPU(肌理)最适合将所有计算能力集中在特定任务上。这是因为CPU由几个内核(最多24个)组成,这些内核针对顺序串行处理进行了优化。它旨在最大化工作中单个任务的性能;但是,任务范围很广。另一方面,GPU将数千个更小,更高效的内核用于大规模并行架构,旨在同时处理多个功能。

与GPU相比,现代GPU提供了卓越的处理能力,内存带宽和效率。在需要多个并行流程的任务(例如机器学习和大数据分析)中,它们的速度提高了50-100倍。

GPU计算的定义是将GPU与CPU结合使用以加速科学,分析,工程,消费者和企业应用程序。

多年来,GPU一直为计算机显示器上的图像和运动显示提供动力,但从技术上讲,它们能够执行更多操作。当单个任务需要大量计算时,图形处理器就会发挥作用。

该任务可能包括:

  • 游戏类

图形处理单元对于快速,图形密集的游戏世界渲染至关重要。实时渲染特效和复杂的3D图形需要一定的计算能力。对于CPU图形解决方案而言,现代游戏的任务变得过于繁重。游戏甚至在虚拟现实方面迈出了一步,这是令人难以置信的,因为GPU可以在适当的光照和阴影下快速渲染和维持逼真的图像。

  • 3D可视化

GPU在3D可视化应用程序(例如计算机辅助设计(CAD))中驱动视口性能。使您可以在3个维度上可视化对象的软件依赖于GPU在旋转或移动它们时实时绘制这些模型。

  • 图像处理

GPU可以准确处理数百万张图像,以发现差异和相似之处。此功能已广泛用于边界控制,安全和医疗X射线处理等行业。例如,在2010年,美国军方将1700多个Sony PlayStation 3TM系统链接在一起,以更快地处理高分辨率卫星图像。

  • 大数据

与仅使用CPU相比,拥有数千个计算核心和10至100倍的应用程序吞吐量,图形单元是处理科学家和行业大数据的理想选择。GPU用于将数据描述为交互式可视化,并且它们与其他数据集集成以便探索数据的量和速度。例如,我们现在能够通过处理数据和分析协方差来了解基因的不同组合之间的关系,从而增强基因定位。

  • 深度机器学习

机器学习已经存在了一段时间,但是功能强大且高效的GPU计算将其提升到了一个新的水平。深度学习是使用复杂的神经网络来创建可以从大量未标记的训练数据中进行特征检测的系统。GPU可以处理大量的训练数据,并在图像和视频分析,语音识别和自然语言处理,自动驾驶汽车,计算机视觉等领域训练神经网络。

GPU不能替代CPU体系结构。相反,它们是现有基础架构的强大加速器。GPU加速的计算将应用程序的计算密集型部分卸载到GPU,而其余的代码仍在CPU上运行。从用户的角度来看,应用程序的运行速度要快得多。尽管通用计算仍是CPU的领域,但GPU是几乎所有密集型计算应用程序的硬件骨干。

本文来自投稿,不代表魔猪智造立场,如若转载,请注明出处:https://5gintellect.cn/1327

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code