Dom > Razstava > Vsebine

Obdelava Intel grafika Technology toka in splošni namen GPU (GPGPU)

Mar 12, 2019

Je postaja vse bolj pogosti uporabi splošne namene grafično procesorsko enoto (GPGPU) kot spremenjeni obliki tok predelovalec (ali vektor predelovalec), jedrca compute. Ta koncept izkaže massive računska moč sodoben grafični pospeševalnik shader cevovoda v splošne namene računalniške moči, v nasprotju z težko žično izključno narediti grafične operacije. V določenih aplikacijah, ki zahtevajo veliko vektor operacije, to lahko prinesejo več velikostnih redov višje rezultate kot običajne CPU. Obeh največjih nepovezan GPU oblikovalci (glej "namenske grafične kartice" zgoraj), AMD in Nvidia, začenjajo opravljati ta pristop s paleto aplikacij. Nvidia in AMD, ima ekipo s Stanford University tvoriti GPU, ki temelji odjemalca za zložljiva domov porazdeljene računalniške projekt, za beljakovine, zložljivi izračune. V nekaterih okoliščinah GPU izračuna štirideset krat hitreje od običajnih procesorjev, ki tradicionalno uporabljajo povzročajo tovrstne aplikacije.


GPGPU se lahko uporabljajo za različne vrste sramotno vzporedno nalog, vključno z ray sledenja. So na splošno primerni za zahtevne vrste izračunov, ki kažejo podatki-paralelizem izkoristiti široko vektor širina arhitektura SIMD GPU.


Poleg tega GPU osnova visoko zmogljivih računalnikih so začeli igrati pomembno vlogo v obsežni modeliranje. Tri 10 najmočnejših superračunalnikov na svetu zalotiti ugodnost od GPU pospešek.


GPU podpira razširitve API za programski jezik C OpenCL in OpenMP. Poleg tega prodajalec GPU predstavil svojo API, ki deluje samo s svoje kartice, AMD APP SDK in CUDA iz AMD in Nvidia, oziroma. Te tehnologije omogočajo določene funkcije, ki se imenuje izračun jedrca iz normalno C program za izvajanje na GPU stream procesorjev. To je mogoče za C programe zavzeti ugodnost od GPU je sposobnost za delovanje na velikih medpomnilnikov vzporedno, prebiti še vedno using CPU, kadar je to primerno. CUDA je tudi prvi API omogočiti CPU aplikacij do neposrednega dostopa do sredstev na GPU za bolj splošno rabo, računalništvo brez omejitve pri uporabi grafike API. [uredi]


Od leta 2005 je bil interes za uporabo izvedbe, ponujene s GPU za evolucijski računanja na splošno, in za pospeševanje sposobnost ocenjevanja v genetsko programiranje zlasti. Večina pristopov pripravijo linearni ali drevo programs naprej stanodajalec PC in prenos izvršljiv GPU, ki se izvajajo. Običajno uspešnosti prednost je dobiti le z tekmovanje v teku en aktiven program hkrati na veliko primer težav vzporedno, z uporabo arhitektura SIMD na GPU. [68] [69] vendar pa znatne pospešek dobimo tudi priprave programov, in namesto, da jih prenesejo na GPU, razlagati tam. Pospešek dobimo potem bodisi razlagala več programov hkrati, hkrati več primer težave, ali kombinacije obeh. Sodobne GPU zlahka hkrati lahko razlagati na sto tisoče zelo majhnih programov.


Nekatere sodobne workstation GPU, kot so kartice Nvidia Quadro delovne postaje, ki uporabljajo Volta in Turing arhitekture, funkcija namenjali predelovanje jedro za tenzor globoko učenje aplikacije. V trenutni seriji Nvidia GPU teh jeder se imenujejo tenzor jeder. Te GPUs imajo običajno znatno povečanje učinkovitosti FLOPS, z uporabo 4 x 4 matrix množenje in deljenje, posledico zmogljivosti strojne opreme do 128 TFLOPS v nekatere aplikacije. Teh jeder tenzor tudi naj pojavljati v potrošnik kartice teče Turing arhitekture, in po možnosti v seriji Navi potrošnikov kartice iz AMD.