GPU与CPU
GPU与CPU
CPU
- CPU，也就是中央处理器，结构主要包括控制器（指挥各部分工作）、运算器（实现数据加工）、寄存器、高缓以及数据/控制/状态总线。计算机的性能很大程度上依赖于CPU，CPU的功能包括程序控制（控制指令执行的先后顺序）、操作控制（控制指令操作）、时间控制（控制各种操作的时间）、数据加工（实现数据的算术和逻辑运算）等，简单来说，CPU就是对指令流和数据流进行时间和空间上的控制。CPU擅长处理诸如分布式、协调控制这种复杂运算，具有很强的通用性。
- 由于CPU中存储单元和控制单元占用了大量空间，所以计算单元是受限的，这一缺点在并行问题上就体现出来了，它在要求大规模与快处理速度的问题上显得有些局限。因此，拥有众多计算单元的GPU就出现了。
GPU
- GPU全称为Graphics Processing Unit，即图形处理器。
- GPU最初是为了端游设计的，因为在游戏中要对大量数据重复相同的操作，所以GPU面对的是类型高度统一、相互无依赖的大规模数据。由于设计目标不同，所以GPU和CPU在架构上差异很大。GPU中有很多计算单元，流水线也相当长，而逻辑运算单元设计相对简单。GPU的核数远远多于CPU，将相同的指令发送到众核上处理不同的数据，这一架构有利于GPU处理拥有很多数据的问题。
区别
- CPU和GPU的主要区别是CPU是通用计算，而GPU是专用计算。
- 打个比方来讲，CPU是老教授，能力很强但数量很少，GPU是小学生，能力很弱但数量众多。
- 提供了多核并行计算的基础结构，且核心数非常多，可以支撑大量数据的并行计算。
- 拥有更高的访存速度。
- 更高的浮点运算能力。浮点运算能力是关系到处理器的多媒体、3D图形处理的一个重要指标。现在的计算机技术中，由于大量多媒体技术的应用，浮点数的计算大大增加了，比如3D图形的渲染等工作，因此浮点运算的能力是考察处理器计算能力的重要指标。
- 深度学习是模拟人脑神经系统而建立的数学网络模型，这个模型的最大特点是，需要大数据来训练。因此，对电脑处理器的要求，就是需要大量的并行的重复计算，GPU正好有这个专长，时势造英雄，因此，GPU就出山担当重任了。
