GPU高性能计算与图像处理

1                什么是GPU高性能计算

      近年来，以NVIDIA Tesla为代表的异构芯片（协处理器）逐渐被引入到通用计算领域中。最初的图形处理(Graphic Processing Unit, GPU)就是用来处理大规模的并行计算，并且GPU的并行处理能力在不断的上升。GPU将更多的晶体管用于执行单元，而非像CPU那样用作复杂的数据cache和指令控制。由于GPU具有超强的浮点计算能力，除了在传统领域（图形显示，多用于游戏）的应用以外，GPU越来越多地应用在科学计算领域上，并且逐渐进入高性能计算的主流。

       CUDA(Compute Unified Device Architecture，统一计算设备架构)是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的高性能计算问题。CUDA编程是在C语言上的基础上对C语言的扩展，不再需要借助于图形学API，CUDA开发人员只需要在C语言的基础上从CPU过度到GPU上，CUDA提供了简单、容易的GPU开发工具，因此对于开发者来说，CUDA的开发门槛大大降低了。CUDA编程采用了异构体系结构的模式，CPU作为主机，GPU作为CPU的协处理器（或称设备），CPU与GPU协同工作，CPU负责逻辑性强的事务处理和串行计算，GPU负责高度并行化的计算任务，CPU与GPU共同完成加速任务。

     CUDA编程语言的推出，使得在GPU平台上的高性能计算应用软件越来越多。目前，CUDA在石油勘测、流体动力学模拟、天文计算、分子动力学仿真、生物计算、图像处理、音频视频编解码、医疗成像、金融、数据库等领域得到广泛的应用，在很多应用中获得2-3个数量级的加速比，极大地提高了性能。

 

     GPU已广泛应用在图像增强处理、图像目标搜索、公安行业、国防安全、平安城市、交通系统、救灾、卫星成像、信号处理、人脸识别、指纹识别、多路高清直播、智能视频监控等领域中。在这些领域，利用GPU可以达到实时性计算，相对CPU平台加速数十倍甚至数百倍，CUDA计算在图像处理领域中的成功案例如下图：

2                GPU高性能计算特点

     目前，高端的Nvidia GPU包含上千个核，双精度峰值性能超过1Tflops，单精度性能超过3Tflops，性价比远超过CPU。NVIDIA GPU有Tesla和GeForce两个系列，Tesla为服务器上专用，内存空间较大，运行稳定，但价格较高，GeForce系列显卡性能达到Tesla的性能，然而成本很低，中端系列的GeForce显卡只需要一千多元配置在PC上即可获得数十倍的性能。

     目前，很多应用运行在PC机器上，然后PC的性能有限，尤其随着处理的数据规模的增大，PC已远不能满足性能的需求，当采用CPU服务器解决时，成本将提高5-10倍，不利于成本的控制。然后，Nvidia提供了PC版本的GeForce系列GPU，GeForce系列GPU价格在数百元到上万元之前，我们可以采用PC+ GeForce GPU的配置方案，性能同样可以获得原PC的数十倍，然而，成本仅增加10%-50%。PC+GPU的优化方案将成为一些应用软件的重要配置方案。

          Email：[email protected]

          QQ：331526010