为什么在AI领域GPU比CPU性能更强?

图形处理器(英语:Graphics Processing Unit,缩写:GPU),又称显示核心、视觉处理器、显示芯片,是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上做图像和图形相关运算工作的微处理器。

GPU使显卡减少了对CPU的依赖,并进行部分原本CPU的工作,尤其是在3D图形处理时GPU所采用的核心技术有硬件T&L(几何转换和光照处理)、立方环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、双重纹理四像素256位渲染引擎等,而硬件T&L技术可以说是GPU的标志。

现在到处都有AI的应用,无论是金融建模、自动驾驶、智能机器人、新材料发现、脑神经科学、医疗影像分析等等,而人工智能时代的发展极度以来计算力的支持。人工智能的核心是算法,深度学习是目前主流的人工智能算法。CPU无法做到大量数据并行计算的能力,GPU的特点是有大量的核心和高速内存,擅长并行计算,所以超算常用到GPU,各核之间的独立性相比CPU要低的很多。

GPU本身擅长的就是海量数据的快速处理。人们利用GPU来训练这些深度神经网络,所使用的的训练集大的多,所耗费的时间也大幅缩短,占用的数据中心基础设施也少得多。

GPU还可以用于运行这些机器学习训练模型,以便在云端进行分类和预测,从而在耗费功率更低、占用基础设施更少的情况下能够支持远比从前更大的数据量和吞吐量。

总结一下GPU的优势:

  • 多线程,提供了多核并行计算的基础结构,且核心数非常多,可以支撑大量数据的并行计算,处理神经网络数据远远高效于CPU
  • 拥有更高的访存速度
  • 更高的浮点运算能力

来源:网络整理,网络转载,转载此文目的在于传递更多信息,版权归原作者所有。

最新文章