Stále častěji se GPU používají pro negrafické úkoly, jako jsou výpočty rizik, výpočty dynamiky tekutin a seismická analýza. Co nám má zabránit v přijetí zařízení poháněných GPU?
Dnešní relace Otázky a odpovědi k nám přichází s laskavým svolením SuperUser - subdivize Stack Exchange, což je seskupení webů otázek a odpovědí na úrovni komunity.
Otázka
Čtečka SuperUser Ell drží krok s technologickými novinkami a je zvědavá, proč nepoužíváme více systémů založených na GPU:
Zdá se mi, že v dnešní době se spousta výpočtů provádí na GPU. Je zřejmé, že se tam dělá grafika, ale pomocí CUDA a podobně, AI, hashovací algoritmy (myslím bitcoiny) a další se také dělají na GPU. Proč se prostě nemůžeme zbavit CPU a použít GPU samostatně? Co dělá GPU mnohem rychlejší než CPU?
Proč vlastně? Čím je CPU jedinečný?
Odpověď
Přispěvatel SuperUser DragonLord nabízí dobře podporovaný přehled rozdílů mezi GPU a CPU:
Odpověď TL; DR: GPU mají mnohem více procesorových jader než CPU, ale protože každé jádro GPU běží podstatně pomaleji než jádro CPU a nemá funkce potřebné pro moderní operační systémy, nejsou vhodné pro provádění většiny zpracování v každodenních výpočtech. Jsou nejvhodnější pro výpočetně náročné operace, jako je zpracování videa a fyzikální simulace.
Podrobná odpověď: GPGPU je stále relativně nový koncept. GPU byly původně použity pouze pro vykreslování grafiky; jak technologie postupovala, velký počet jader v GPU ve srovnání s CPU byl využíván vývojem výpočetních schopností pro GPU, aby mohly zpracovávat mnoho paralelních proudů dat současně, bez ohledu na to, jaká data mohou být. Zatímco GPU mohou mít stovky nebo dokonce tisíce streamovacích procesorů, každý běží pomaleji než jádro CPU a má méně funkcí (i když jsou Turing dokončen a lze jej naprogramovat na spuštění libovolného programu, který může spustit procesor). Mezi funkce, které na GPU chybí, patří přerušení a virtuální paměť, které jsou nutné k implementaci moderního operačního systému.
Jinými slovy, CPU a GPU mají výrazně odlišné architektury, díky nimž se lépe hodí pro různé úkoly. GPU dokáže zpracovat velké množství dat v mnoha proudech a provádět na nich relativně jednoduché operace, ale nehodí se pro těžké nebo složité zpracování na jednom nebo několika proudech dat. CPU je mnohem rychlejší na bázi jádra (z hlediska instrukcí za sekundu) a může snáze provádět složité operace na jednom nebo několika proudech dat, ale nedokáže efektivně zpracovat mnoho proudů současně.
Výsledkem je, že GPU nejsou vhodné pro zpracování úkolů, které významně neprospívají nebo nemohou být paralelizovány, včetně mnoha běžných spotřebitelských aplikací, jako jsou textové procesory. Kromě toho GPU používají zásadně odlišnou architekturu; jeden by musel programovat aplikaci speciálně pro GPU, aby to fungovalo, a pro programování GPU jsou vyžadovány výrazně odlišné techniky. Mezi tyto různé techniky patří nové programovací jazyky, úpravy stávajících jazyků a nová paradigmata programování, která se lépe hodí k vyjádření výpočtu jako paralelní operace prováděné mnoha procesory streamů. Další informace o technikách potřebných k programování GPU najdete v článcích na Wikipedii zpracování proudu a paralelní výpočty .
Moderní GPU jsou schopné provádět vektorové operace a aritmetiku s plovoucí desetinnou čárkou, přičemž nejnovější karty jsou schopné manipulovat s čísly s plovoucí desetinnou čárkou s dvojitou přesností. Rámečky jako CUDA a OpenCL umožňují psát programy pro GPU a díky povaze GPU jsou nejvhodnější pro vysoce paralelizovatelné operace, například ve vědeckých výpočtech, kde řada specializovaných výpočetních karet GPU může být životaschopnou náhradou malého výpočetní cluster jako v Osobní superpočítače NVIDIA Tesla . Spotřebitelé s moderními grafickými procesory, kteří mají zkušenosti se službou Folding @ home, mohou pomocí nich přispět Klienti GPU , které mohou provádět simulace skládání proteinů při velmi vysokých rychlostech a přispět k další práci na projektu (nezapomeňte si přečíst soubor Časté dotazy nejprve ty, které se týkají GPU). GPU mohou také umožnit lepší simulaci fyziky ve videohrách pomocí PhysX, zrychlit kódování a dekódování videa a provádět další úkoly náročné na výpočet. Právě tyto typy úkolů jsou pro provádění GPU nejvhodnější.
AMD je průkopníkem designu procesorů s názvem Zrychlená jednotka zpracování (APU) který kombinuje konvenční jádra x86 CPU s GPU. To by mohlo umožnit, aby komponenty CPU a GPU spolupracovaly a zlepšily výkon v systémech s omezeným prostorem pro samostatné komponenty. Jak bude technologie postupovat vpřed, uvidíme rostoucí míru konvergence těchto kdysi samostatných částí. Mnoho úkolů prováděných operačními systémy a aplikacemi pro PC se však stále lépe hodí pro CPU a pro urychlení programu pomocí GPU je zapotřebí ještě hodně práce. Jelikož tolik existujícího softwaru používá architekturu x86, a protože GPU vyžadují různé programovací techniky a chybí jim několik důležitých funkcí potřebných pro operační systémy, je běžný přechod z CPU na GPU pro každodenní práci extrémně obtížný.
Máte co dodat k vysvětlení? Zvuk v komentářích. Chcete si přečíst více odpovědí od ostatních technicky zdatných uživatelů Stack Exchange? Podívejte se na celé diskusní vlákno zde .
