GPGPU是一種新趨勢，它在年輕的計算機科學家的腦海中引發了許多新問題。 在本文中，我將介紹有關此主題的一些常見問題解答。

哪些類型的問題更適合常規多核，哪些類型的更適合GPGPU？

GPU包含一些固定功能和可編程硬件。 當GPU趨向于越來越多的可編程單元時，當今的GPU執行一些常見的圖形任務，例如紋理采樣和使用專用硬件進行渲染。 相反，像素陰影是使用可編程SIMD內核完成的。 GPGPU工作負載主要在SIMD著色器內核上運行。

GPU是為非常規則的吞吐量工作負載而構建的，例如圖形，密集矩陣矩陣乘法，簡單的photoshop過濾器等。它們固有的設計可承受紋理采樣的延遲（1000多個循環操作），因此擅長承受長時間延遲。 。 GPU內核具有許多線程：當一個線程觸發長時間等待操作（例如，內存訪問）時，該線程將進入睡眠狀態（其他線程繼續工作），直到長時間等待操作完成為止。 這使GPU可以使執行單元的工作量比傳統內核多得多。

GPU不好處理分支，因為GPU喜歡將“線程”（如果不是nVidia，則為SIMD通道）批處理為扭曲并將它們一起發送到管道中以節省指令獲取/解碼能力。 如果線程遇到分支，則它們可能會發散，例如8線程線程束中的2個線程可以采用該分支，而其他6個線程則不采用。 現在，將經紗分為大小為2和6的兩個經紗。這些新形成的經紗將運行效率低下。 2線程扭曲將以25％的效率運行，而6線程扭曲將以75％的效率運行。 您可以想象，如果GPU繼續遇到嵌套分支，其效率將變得非常低。 因此，GPU并不擅長處理分支，因此帶有分支的代碼不應在GPU上運行。

GPU還不利于協作線程，因為在GPU上沒有很好地支持同步（但nVidia已在其中）。

因此，GPU的最差代碼是并行性較低的代碼或分支或同步性很多的代碼，例如數據庫，操作系統，圖形算法等。

編程模型的主要區別是什么？

GPU不支持中斷和異常。 對我來說，那是最大的不同。 除此之外， CUDA與C差別不大。您可以編寫一個CUDA程序，將代碼運送到GPU并在其中運行。 您在CUDA中訪問內存的方式有所不同，但這又不是我們討論的基礎。

導致編程模型上存在差異的主要底層硬件差異是什么？

我已經提到他們了。 最大的是GPU的SIMD性質，它要求以非常規則的方式編寫代碼，而沒有分支和線程間通信。 這就是例如CUDA限制代碼中嵌套分支數量的原因的一部分。

哪一個通常更容易使用，多少錢？

取決于您要編碼的內容以及目標是什么。

易于矢量化的代碼： CPU易于編碼，但性能較低。 GPU稍微難于編碼，但可以帶來很大的收益。 對于其他所有處理器，CPU都更容易使用，并且通常也具有更好的性能。

從長遠來看，為GPU實現高級并行性庫（例如Microsoft的任務并行庫或D的std.parallelism）是否可行？

根據定義，任務并行性需要線程通信，并且還具有分支。 任務的思想是不同的線程執行不同的操作。 GPU專為許多功能相同的線程而設計。 我不會為GPU建立任務并行性庫。

如果GPU計算的效率如此驚人，為什么設計的CPU不更像GPU？

世界上許多問題都是分支性的和不規則的。 數以千計的例子。 圖表搜索算法，操作系統，Web瀏覽器等。補充一下，甚至圖形也像每一代一樣變得越來越分支和通用，因此GPU也將越來越像CPU。 我并不是說它們將變得像CPU，但它們將變得更具可編程性。 正確的模型位于低功耗CPU和非常專業的GPU之間。

參考： Future Chips博客上我們JCG合作伙伴 Aater Suleman的CPU vs. GPGPU 。

相關文章 ：

• 每個程序員應該了解的內存系統知識
• Erlang與Java內存架構
• Java Fork / Join進行并行編程
• Java并發教程–信號量
• Java并發教程–線程池
• Java并發教程–重入鎖

翻譯自: https://www.javacodegeeks.com/2011/09/cpu-vs-gpgpu.html

總結

以上是生活随笔為你收集整理的CPU与GPGPU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。