tensorflow的CPU和GPU的区别

最近深度学习CPU根本不够用，老板配置了GPU 怎么能不会用呢？
原来从来没有关注过的底层东西，于是乎痛下决心搞清楚原理和操作

---

先来看看第一部分

为什么GPU比CPU更diao呢？
这里就需要从他么的区别入手
那他么的区别是什么呢？
这里就需要从他的原理出发了，由于其设计目标的不同，它们分别针对了两种不同的应用场景

---

CPU 需要很强的通用性
为了处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂。

While GPU 面对的是类型高度统一的、互相无依赖的大规模数据和不需要被打断的纯净的计算环境
于是乎：CPU和GPU就呈现出非常不同的架构（看图）

• 鲜绿色：计算单元ALU(Arithmetic Logic Unit）
• 橙红色：存储单元（cache）
• 橙黄色：控制单元（control）

GPU：数量众多的计算单元和超长的流水线，只有简单的控制逻辑并省去了Cache
CPU：被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路

 

1. Cache, local memory： CPU > GPU

2. Threads(线程数): GPU > CPU

3. Registers（寄存器）: GPU > CPU 多寄存器可以支持非常多的Thread
4. thread需要用到register,thread数目大register也必须得跟着很大才行。
5. SIMD Unit(单指令多数据流,以同步方式，在同一时间内执行同一条指令): GPU > CPU。

文字很麻烦吧，可以形象的看[这个视频 挺有意思的]

1. CPU有强大的ALU, 可以在很少的时钟周期内完成算术计算，可以达到64bit
   双精度，执行双精度浮点源算的加法和乘法只需要1～3个[时钟周期]

2. CPU的时钟周期的频率非常高，达到1.532～3gigahertz(千兆HZ, 10的9次方).

---

再看看GPU

GPU是基于大的吞吐量
特点：很多的ALU和很少的cache

• 缓存的目的不是保存后面需要访问的数据，这点和CPU不同，而是为thread提高服务

  如果有很多线程需要访问同一个相同的数据？
  缓存会合并这些访问，然后再去访问dram（因为需要访问的数据保存在dram中而不是cache里面）

  获取数据后cache会转发这个数据给对应的线程，这个时候是数据转发的角色，由于需要访问dram，自然会带来延时的问题。

  GPU的控制单元（左边黄色区域块）可以把多个的访问合并成少的访问。

---

总的来说：有一个例子说的很好

• GPU的工作大部分就是这样，计算量大，而且要重复很多很多次。就像你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分

• CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个

• CPU和GPU因为最初用来处理的任务就不同，所以设计上有不小的区别，而某些任务和GPU最初用来解决的问题比较相似，所以用GPU来算了
  -
• GPU的运算速度取决于雇了多少小学生，CPU的运算速度取决于请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的，但是对于没那么复杂的任务，还是顶不住人多。
  -
• 当然现在的GPU也能做一些稍微复杂的工作了，相当于升级成初中生高中生的水平。但还需要CPU来把数据喂到嘴边才能开始干活，究竟还是靠CPU来管的。

---

GPU适合干什么活？

（1）计算密集型的程序

所谓计算密集型(Compute-intensive)的程序，就是其大部分运行时间花在了寄存器运算上，寄存器的速度和处理器的速度相当，从寄存器读写数据几乎没有延时。

可以做一下对比，读内存的延迟大概是几百个时钟周期；读硬盘的速度就不说了，即便是SSD, 也实在是太慢了。

（2）易于并行的程序。

GPU其实是一种SIMD(Single Instruction Multiple Data)架构， 他有成百上千个核，每一个核在同一时间最好能做同样的事情。

原文地址：https://blog.csdn.net/sinat_36458870/article/details/78783587