談GPU的作用、原理及與CPU、DSP的區(qū)別

　　GPU和CPU的區(qū)別是什么?

　　要解釋兩者的區(qū)別，要先明白兩者的相同之處：兩者都有總線和外界聯系，有自己的緩存體系，以及數字和邏輯運算單元。一句話，兩者都為了完成計算任務而設計。

　　兩者的區(qū)別在于存在于片內的緩存體系和數字邏輯運算單元的結構差異：CPU雖然有多核，但總數沒有超過兩位數，每個核都有足夠大的緩存和足夠多的數字和邏輯運算單元，并輔助有很多加速分支判斷甚至更復雜的邏輯判斷的硬件;GPU的核數遠超CPU，被稱為眾核(NVIDIA Fermi有512個核)。每個核擁有的緩存大小相對小，數字邏輯運算單元也少而簡單(GPU初始時在浮點計算上一直弱于CPU)。從結果上導致CPU擅長處理具有復雜計算步驟和復雜數據依賴的計算任務，如分布式計算，數據壓縮，人工智能，物理模擬，以及其他很多很多計算任務等。GPU由于歷史原因，是為了視頻游戲而產生的(至今其主要驅動力還是不斷增長的視頻游戲市場)，在三維游戲中常常出現的一類操作是對海量數據進行相同的操作，如：對每一個頂點進行同樣的坐標變換，對每一個頂點按照同樣的光照模型計算顏色值。GPU的眾核架構非常適合把同樣的指令流并行發(fā)送到眾核上，采用不同的輸入數據執(zhí)行。在2003-2004年左右，圖形學之外的領域專家開始注意到GPU與眾不同的計算能力，開始嘗試把GPU用于通用計算(即GPGPU)。之后NVIDIA發(fā)布了CUDA，AMD和Apple等公司也發(fā)布了OpenCL，GPU開始在通用計算領域得到廣泛應用，包括：數值分析，海量數據處理(排序，Map-Reduce等)，金融分析等等。

　　簡而言之，當程序員為CPU編寫程序時，他們傾向于利用復雜的邏輯結構優(yōu)化算法從而減少計算任務的運行時間，即Latency.當程序員為GPU編寫程序時，則利用其處理海量數據的優(yōu)勢，通過提高總的數據吞吐量(Throughput)來掩蓋Lantency.目前，CPU和GPU的區(qū)別正在逐漸縮小，因為GPU也在處理不規(guī)則任務和線程間通信方面有了長足的進步。另外，功耗問題對于GPU比CPU更嚴重。

　　總的來講，GPU和CPU的區(qū)別是個很大的話題，甚至可以花一個學期用32個學時十幾次講座來講。