GPU

所有渲染所需的数据都需要从硬盘(HDD)中加载到系统内存(RAM)中，然后，网格和纹理等数据又被加载到显卡上的存储空间–显存(VRAM)中。这是因为：显卡对于显存的访问速度更快，而且大多数显卡对于RAM没有直接的访问权利。

受架构所限，AI时代由CPU驱动的数据库在数据访问速度及处理速度上均不再适用，而这也恰是擅长规模化并行计算的GPU的优势。也因此，AI时代，GPU或将驱动数据库变革。

本文详细描述GPU是如何实现概念阶段的后两个阶段——几何阶段和光栅化阶段可以分成若干个更小的流水线阶段，这些流水线阶段由GPU来实现，每个阶段GPU提供了不同的可配置性或可编程性。

由于图形引擎的复杂性，瓶颈可能发生在CPU、GPU、，也可能发生在CPU与GPU的传输数据与交互之中。这里我们只假设瓶颈在GPU上，讨论GPU的优化方法。

Android 包含一些设备上开发者选项，可帮助您直观地了解您的应用在何处出现界面渲染问题，如执行太多不必要的渲染工作，或执行长时间的线程和 GPU 操作。Profile GPU Rendering 工具以滚动直方图的形式直观地显示渲染界面窗口帧所花费的时间。在性能较低的 GPU 上，可用的填充率可能很低。 随着绘制帧所需的像素数增加，GPU 可能需要花较长时间来处理新命令......

学习数据集训练时，电脑没有GPU，所以当时训练时用的是CPU，也没有意识到两者之间在训练数据集有什么差别，直到在一次训练过程中，着重看了一下训练过程，才发现，训练时间是真的差距大。接下来就给大家讲一下，这两个具体有什么差别。