CPU：中央處理器，一種通用處理器，它無所不能，但是在某些特定場合，它的能力又是相對有限的。

GPU： Graphic Processing Unit，是顯卡，即“圖形處理器”。

GPGPU：General Purpose Graphic Processing Unit , 只是一種概念，即利用顯卡（在G80出來之后配合上CUDA仍稱之為顯卡有些牽強）進行一些非諸如渲染等圖形計算, 是一種編程模式，它采用的是圖形編程語言，如openGL等來將計算映射成渲染，說白了就是模擬

CUDA： 是一種并行計算架構，是一個利用NV GPU計算能力的平臺，說是平臺也不太準確（除非是抽象出來的意思），是一個沒有硬實體的“軟體”（類似一種標準規范），很多硬件都可以提供支持，只要intel或AMD愿意也可以讓他們的CPU支持CUDA（通過編譯器和API將底層的并發模型隱藏，所以在編程時具有相同的外觀，但底層的實現確不同）,當然效率肯定和NVIDIA自己的硬件有所差異。

GPU(圖形處理器)是用來做什么的?

加速圖形繪制、科學計算、數據庫分析、視頻編解碼。

在2006年底的超級計算機大會上，AMD發布了業界首款“流處理器”(Stream Processor)，宣告GPGPU(通用)從設想變成現實。浮點運算能力超強的GPGPU，有一天真的會取代CPU嗎?

　　如果你希望流暢地播放高清視頻，一定會選擇一款支持NVIDIA PureVideo或AMD Avivo的顯卡(這里指以前的ATI，由于ATI已經被AMD收購，本文中統稱為AMD)。視頻解碼原本是CPU的工作，可即便是雙核處理器，在播放1080p高清電影時仍然比較吃力。利用顯卡的PureVideo/Avivo視頻解碼加速功能，可以大大降低CPU的占用率，讓高清視頻能夠流暢地播放。從廣義來看，用顯卡來加速視頻解碼，這就是GPGPU的一種初級形態。

　　GPGPU，也有人形象地稱為GP2U(GP的兩次方U)。這兩個GP代表了不同的含義，后一個GP表示圖形處理(Graphic Process)，和U加在一起正是我們熟知的GPU(圖形處理器);前一個GP則表示通用目的(General Purpose)，所以GPGPU一般也被稱為通用圖形處理器或通用GPU。

　　在3D領域，GPU的用途很簡單，就是為了更好地渲染3D場景，減輕CPU在圖形運算方面的負擔。而時下剛剛出臺的GPGPU，則是將應用范圍擴展到了圖形之外，無論是科研教育、財務計算，還是在工業領域，GPGPU都得到了廣泛的使用，關于它的科研成果和新應用模式也層出不窮。

?

　　GPGPU比CPU強在哪里?

　　

　　1.CPU的浮點運算能力嚴重不足

　　和GPU相比，CPU最大的軟肋就是浮點運算能力不足。現在主流的CPU產品，無論是Intel的還是AMD的，其浮點運算能力大多在10Gflops以下(flops表示每秒鐘能夠完成的浮點運算次數，Gflops代表每秒10億次浮點運算)。而GeForce 6系列的浮點運算能力就已經達到了40Gflops左右，GeForce 7950 GX2的浮點運算能力更是達到了384Gflops。可見，CPU和GPU的浮點運算能力差距已不止一兩個數量級。

　　2.GPU的輸入/輸出帶寬遠超CPU

　　如果輸入/輸出帶寬有限，縱然內部性能再強，也是無法被系統利用起來的。對于GPU而言，這并不是一個大問題，作為提高場景真實度的一個重要方法，紋理映射功能很早就被加入到了GPU中，以解決GPU和顯存之間的輸入/輸出帶寬問題。GPU和顯存之間的帶寬是CPU和內存的10倍以上，GPU是“吃得下”，也“吐得出”，讓巨大的浮點運算能力有了用武之地。

　　

　　AMD的“流處理器”(Stream Processor)

　　3.GPU更適合重復的計算

　　GPU因為是專門為圖形運算而設計的，考慮到了圖形運算的特殊性。拿像素著色器(Pixel Shader)來說，當前批次所有的待處理像素，都會執行相同的像素著色程序，也就是說，相同或類似的運算會在海量的數據上重復運行。這恰恰符合SIMD(單指令多數據)的概念，讓GPU非常適合處理SIMD運算，科學計算、數據庫分析等高性能計算正是SIMD類型。因此不少在CPU上傷透腦筋的科研人員不得不將目標轉向GPU，試圖利用GPU的這種優化設計來進行圖形之外的通用計算。

　　4.GPU擁有優秀的編程語言

　　當GPU的程序員在編寫程序時，會發現高級著色語言也會給他們不少幫助。以前編寫著色程序需要使用匯編語言，難度大、效率低，如今具有類C/C++的高級語言能夠極大地提高程序員的編程效率。微軟的HLSL、OpenGL的GLSL、斯坦福大學的RTSL，以及NVIDIA的Cg等高級著色語言都能夠隱藏掉底層硬件的技術細節，提高GPU的開發效率。在這一點上，盡管CPU的編程語言走在前列，但GPU也已經逐漸趕了上來，開發和利用GPU比以前容易得多了。

　　

　　

　　DirectX 10時代的到來，將讓GPU更加適合通用計算

　　看到這里，你應該會疑惑，為什么對比的是GPU和CPU，GPGPU和GPU有什么區別?這是因為，GPGPU就是以GPU為基礎開發的，GPU的優勢也正是GPGPU的優勢。從狹義的GPGPU來講，它在GPU的基礎上進行了優化設計，使之更適合高性能計算，并能使用更高級別的編程語言，在性能和通用性上更加強大。

　　DirectX 10讓GPGPU迎來黃金時代

　　雖然GPGPU早在DirectX 9時代就已經初現雛形，但只有在DirectX 10時代，新的GPU才能夠真正促進GPGPU的成熟和高速發展。在浮點運算能力上，GeForce 8800 GTX的浮點運算能力達到了520 Gflops，是上一代頂級GPU的3倍以上!在輸入/輸出帶寬方面，上一代GPU只能最多訪問4個頂點紋理和16個像素紋理，而DirectX 10時代的GPU可以最多訪問128個紋理，紋理尺寸達到8192×8192，對于著色程序來說，這就等于“無限”!讓GPU和顯存可以實現充分地互訪。此外，GPU的通用計算主要是使用其像素著色器，上一代GPU的頂點著色器則毫無用武之地，而從NVIDIA的G80和AMD的R600開始，DirectX 10的GPU都會采用統一著色器，所有的著色器都能用于通用計算，不會造成資源的浪費。

　　

　　AMD的兩種物理解決方案

　　

　　NVIDIA的SLI物理解決方案

　　除了硬件的巨大進步，Shader Model和著色語言的成熟也將有力地助推GPGPU的發展。由于早期的Shader Model 1.0和Shader Model 2.0不支持動態流控制，只能提供有限的靈活性，阻礙了GPU的通用化。在DirectX 9.0c時期，動態流控制和著色程序幾乎無限的資源訪問能力，減少了編程時的限制。而在DirectX 10時代，Shader Model 4.0在動態流控制和資源訪問上讓程序員更加得心應手，幾乎不用再擔心編寫程序時有任何限制，這也將讓GPGPU在新時代的應用有了更多的可能性。關于DirectX 10和Shader Model 4.0的詳細介紹，請參看本刊2006年8月上的《走進DirectX 10》和8月下的《Shader Model 4.0絕密解封》。

　　GPGPU就在我們的身邊

　　依靠上述優勢，GPGPU在圖形運算之外，能完成一些原本由CPU來處理的工作，以實現更高的處理速度和效率。

　　

　　GPGPU模擬風在城市環境下(紐約時代廣場)的流動情況

　　

　　GPGPU模擬煙霧的擴散效果。在紐約大學30顆GPGPU的集群上，它也只能在480×480分辨率下達到每秒80幀的繪制速度，勉強達到實時性的要求，由此可見流體物理所需要的計算能力有多高。

　　GPGPU看上去很遙遠，但它實際上就在我們的身邊。視頻的編解碼原本是CPU在負責處理，但由于高清視頻的盛行，龐大的數據運算量讓CPU不堪重負。而在播放高清視頻時，GPU本來是不參與處理的，強大的性能基本處于閑置狀態。因此NVIDIA和AMD分別開發了PureVideo和Avivo技術，利用GeForce 6/7系列和Radeon X1000系列GPU的像素著色器來加速視頻編解碼，包括視頻編碼過程中的4∶2∶2至4∶2∶0轉換、噪聲消除、逆3∶2PD矯正、反交錯，還包括視頻回放過程中的反交錯、格式轉換、塊消除和后期處理等等。隨著DirectX 10時代的到來，會有越來越多的視頻處理可以由GPU來完成。這可以說是目前GPGPU最成熟、最廣泛的一種應用，也是我們最常接觸到的廣義GPGPU。

　　既然GPGPU可以應用到視頻處理上，那么GPGPU是否可以應用到音頻處理上呢?答案是肯定的。英國劍橋大學的一個小組曾經宣布它們的音頻視頻交換(Audio Video Exchange)技術可以把音頻數據轉換成圖形數據交由GPU處理，然后再將GPU處理的數據讀出，并解釋成音頻數據播放出來。NVIDIA也表示過這一應用是可行的。但由于種種原因，該項目似乎沒有了下文，進度不明。

　　既然GPGPU能夠從CPU那里奪來視頻處理的任務，目前正漸入佳境的物理加速當然也少不了GPGPU。發布首款PhysX物理處理器(PPU)的AGEIA公司認為，GPU和PPU應該各自獨立負責圖形運算和物理加速。不過NVIDIA和AMD顯然不這樣看，PPU和GPU相互獨立，在3D渲染計算量大的時候，PPU就會浪費;碰到物理計算量大的時候，GPU就浪費了。因此完全可以在對GPU做少量改動的情況下，讓GPU來完成PPU的工作，并且可以實時負載動態調整，達到性能的最優化。AMD在去年的臺北Computex上就展示了基于CrossFire系統的物理加速方案，當一個系統中有三塊顯卡時，可以使用其中一塊顯卡專門負責物理計算，而另外兩塊顯卡負責圖形渲染，即“2+1”模式;如果系統中有兩塊顯卡，則一塊負責物理計算，一塊負責圖形渲染，即“1+1”模式。NVIDIA同樣也在SLI平臺上實現了“1+1”模式的物理加速方案，而且兩家公司都聲稱GPU加速物理運算的速度遠超PPU。在DirectX 10時代，統一著色構架的采用，完全可以讓GPU進一步加入物理計算引擎，讓物理處理和頂點處理、像素處理、幾何處理共享統一著色器。事實上，NVIDIA宣稱G80中已經加入了Quantum Effects技術來進行物理加速，究竟效果如何，讓我們拭目以待。

　　當然，除了上述這些我們能看得到的應用，科學計算才是GPGPU真正的目標。它強大的浮點運算能力，很適合用來加速通用的矩陣計算，早期發表的GPGPU論文中，也大多是這種類型。其中，最引人注目的就是對流體力學的模擬。眾所周知，流體力學的模擬十分復雜而且計算量大得驚人，用CPU來處理，既費時又費力，要達到實時繪制更是天方夜譚。為了提供足夠的模擬計算能力，紐約一所大學的研究所使用了30顆GPGPU的集群，終于基本實現了流體物理現象的實時模擬和繪制。

　　

　　

　　執行相同的半線性查詢，GPU只需要CPU的十分之一時間就夠了;而執行范圍查詢，GPU也只需要CPU的五分之一時間而已，可見GPGPU應用于數據庫領域的優勢

　　除了物理現象的模擬之外，GPGPU同樣在數據庫處理領域取得了很好的進展。數據庫中最重要的一個操作就是對已有記錄進行查詢，它包括關系查詢(Relational Query)、合取查詢(Conjunction Query)和范圍查詢(Range Query)等。在GPGPU中，我們可以把一個個像素當作是數據項，而用紋理來表示數據項的各個屬性，通過像素著色程序就可以對數據項的各種屬性進行訪問和操作。美國北卡羅萊納大學曾經做過數據庫查詢操作的對比實驗，一組是在NVIDIA GeForce 5900上，另一組是在Intel雙路Xeon系統上。結果在幾乎所有的實驗中，都是GeForce 5900的運行性能遠遠優于雙路Xeon系統，可見兩者的數據庫查詢性能與它們的價格成反比。

　　

　　HMM搜索計算的性能對比

　　

　　蛋白質折疊計算的性能對比

　　AMD、NVIDIA加速研發GPGPU

　　由于巨大的商業價值，目前AMD和NVIDIA等巨頭都在加速研發GPGPU。

　　在2006年底的超級計算機大會上，AMD發布了業界首款“流處理器”(Stream Processor)，專為工作站和服務器等純計算系統而設計，適用于金融分析、地震偏移分析、生命科學等應用領域。這款“流處理器”其實就是基于Radeon X1900顯卡(R580)開發設計的。在實際性能方面，盡管它具有375Gflops的浮點運算能力和64GB/s的存儲帶寬，但運行Folding@Home分布式通用運算時，它的速度只比AMD Opteron 180雙核處理器快50%左右，同時耗電量也更大。可以說這只是一款GPGPU“雛形”，還遠未發揮出GPGPU的真正威力。

　　

　　在運行Folding@Home分布式通用運算時，Radeon X1900比Opteron 180快50%

　　NVIDIA則在G80上使用了CUDA(Compute Unified Device Architecture，統一計算設備架構)，并在G80上集成了為通用計算而設計的緩存，讓128個統一著色器能夠協同進行復雜的計算，同時還加入C編譯器，使GPU如虎添翼。此外，NVIDIA也聯合Adobe宣布，Adobe Acrobat 8和Adobe Reader 8軟件可以使用GPU來進行2D加速，能大幅度加快PDF文檔的瀏覽速度，今后在打開和翻頁大容量PDF文件時就不會像現在這么慢了。

　　當然，GPGPU的研發也并非一帆風順。除了GPU本身在發展時要解決耗電量過大和提高頻率的瓶頸問題，GPGPU在體系結構的設計上還有什么特殊要求呢?首先在在動態流控制設計和實現方面，通用計算畢竟與圖形運算不同，如果GPU針對圖形運算在動態流控制上做了過多的優化，就會降低通用計算的靈活性，可謂魚與熊掌不可兼得。此外，GPGPU要同時處理多種類型的任務時，就會存在GPU資源的競爭問題，在任務之間如何仲裁非常關鍵，處理不好就會適得其反。例如當GeForce 8800要同時處理3D渲染和物理計算時，如何仲裁和分配資源才能達到最好的性能?這個問題肯定需要軟硬件工程師的共同努力才能找到較好的平衡點。

　　GPGPU會取代CPU嗎?

　　隨著GPU的日漸強大，GPGPU也開始獲得越來越廣泛的應用。那么，會不會有一天GPGPU的計算能力和靈活性都超越了CPU，屆時CPU何去何從?其實，早在2004年的SIGGRAPH圖形大會上，就有科研人員在GPGPU論壇上預測，六年之內就會出現CPU和GPU整合在一起的產品。這在當時來說無疑太過驚人，不過在AMD收購ATI之后，情況則發生了大逆轉。AMD已經計劃提供完整的計算平臺，并打算在其制程轉向45nm的時候，實現CPU和GPU的整合，兩者不需要再單獨存在。因此最終的情形可能不是誰會取代誰，而將誕生兼有圖形計算和通用計算的統一處理器。也許，它會被稱為無所不能的XPU(X處理器)。

總結

以上是生活随笔為你收集整理的CPU/GPU/GPGPU简介的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。