對于GPU，大家想必也十分熟悉。但是，大家真的了解GPU嗎？譬如，GPU和顯卡是同一個東西嗎？CPU和GPU有什么區(qū)別嗎？在本文中，小編將對這兩個問題加以介紹。如果GPU是您正在了解的知識，本文將是很好的入門素材哦，不妨和小編共同往下閱讀吧。

一、GPU 、顯卡關系

總的來說，顯卡是顯示卡的簡稱，顯卡是由GPU、顯存等等組成的。

GPU是圖形處理器，一般GPU就是焊接在顯卡上的，大部分情況下，我們所說GPU就等于指顯卡，但是實際情況是GPU是顯示卡的“心臟”，是顯卡的一個核心零部件，核心組成部分。它們是“寄生與被寄生”關系。GPU本身并不能單獨工作，只有配合上附屬電路和接口，才能工作。這時候，它就變成了顯卡。

也就相當于CPU在電腦中的作用，它決定了該顯卡的檔次和大部分性能，現(xiàn)在還沒有出現(xiàn)GPU插在主板上的，因為GPU功耗很高，背面電流過大，還是焊接更為可靠。

二、CPU、GPU區(qū)別

CPU和GPU之所以大不相同，是由于其設計目標的不同，它們分別針對了兩種不同的應用場景。CPU需要很強的通用性來處理各種不同的數(shù)據(jù)類型，同時又要邏輯判斷又會引入大量的分支跳轉(zhuǎn)和中斷的處理。這些都使得CPU的內(nèi)部結構異常復雜。而GPU面對的則是類型高度統(tǒng)一的、相互無依賴的大規(guī)模數(shù)據(jù)和不需要被打斷的純凈的計算環(huán)境。

于是CPU和GPU就呈現(xiàn)出非常不同的架構（示意圖）：

圖片來自nVidia CUDA文檔。其中綠色的是計算單元，橙紅色的是存儲單元，橙黃色的是控制單元。

GPU采用了數(shù)量眾多的計算單元和超長的流水線，但只有非常簡單的控制邏輯并省去了Cache。而CPU不僅被Cache占據(jù)了大量空間，而且還有有復雜的控制邏輯和諸多優(yōu)化電路，相比之下計算能力只是CPU很小的一部分。

從上圖可以看出：

Cache， local memory： CPU 》 GPU

Threads（線程數(shù)）： GPU 》 CPU

Registers： GPU 》 CPU 多寄存器可以支持非常多的Thread，thread需要用到register，thread數(shù)目大，register也必須得跟著很大才行。

SIMD Unit（單指令多數(shù)據(jù)流，以同步方式，在同一時間內(nèi)執(zhí)行同一條指令）： GPU 》 CPU。

CPU 基于低延時的設計：

CPU有強大的ALU（算術運算單元），它可以在很少的時鐘周期內(nèi)完成算術計算。

當今的CPU可以達到64bit 雙精度。執(zhí)行雙精度浮點源算的加法和乘法只需要1～3個時鐘周期。

CPU的時鐘周期的頻率是非常高的，達到1.532～3gigahertz（千兆HZ， 10的9次方）。

大的緩存也可以降低延時。保存很多的數(shù)據(jù)放在緩存里面，當需要訪問的這些數(shù)據(jù)，只要在之前訪問過的，如今直接在緩存里面取即可。

復雜的邏輯控制單元。當程序含有多個分支的時候，它通過提供分支預測的能力來降低延時。

數(shù)據(jù)轉(zhuǎn)發(fā)。 當一些指令依賴前面的指令結果時，數(shù)據(jù)轉(zhuǎn)發(fā)的邏輯控制單元決定這些指令在pipeline中的位置并且盡可能快的轉(zhuǎn)發(fā)一個指令的結果給后續(xù)的指令。這些動作需要很多的對比電路單元和轉(zhuǎn)發(fā)電路單元。

GPU是基于大的吞吐量設計。GPU的特點是有很多的ALU和很少的cache. 緩存的目的不是保存后面需要訪問的數(shù)據(jù)的，這點和CPU不同，而是為thread提高服務的。如果有很多線程需要訪問同一個相同的數(shù)據(jù)，緩存會合并這些訪問，然后再去訪問dram（因為需要訪問的數(shù)據(jù)保存在dram中而不是cache里面），獲取數(shù)據(jù)后cache會轉(zhuǎn)發(fā)這個數(shù)據(jù)給對應的線程，這個時候是數(shù)據(jù)轉(zhuǎn)發(fā)的角色。但是由于需要訪問dram，自然會帶來延時的問題。

GPU的控制單元（左邊黃色區(qū)域塊）可以把多個的訪問合并成少的訪問。

GPU的雖然有dram延時，卻有非常多的ALU和非常多的thread. 為啦平衡內(nèi)存延時的問題，我們可以中充分利用多的ALU的特性達到一個非常大的吞吐量的效果。盡可能多的分配多的Threads.通常來看GPU ALU會有非常重的pipeline就是因為這樣。

所以與CPU擅長邏輯控制，串行的運算。和通用類型數(shù)據(jù)運算不同，GPU擅長的是大規(guī)模并發(fā)計算，這也正是密碼破解等所需要的。所以GPU除了圖像處理，也越來越多的參與到計算當中來。

GPU的工作大部分就是這樣，計算量大，但沒什么技術含量，而且要重復很多很多次。就像你有個工作需要算幾億次一百以內(nèi)加減乘除一樣，最好的辦法就是雇上幾十個小學生一起算，一人算一部分，反正這些計算也沒什么技術含量，純粹體力活而已。而CPU就像老教授，積分微分都會算，就是工資高，一個老教授資頂二十個小學生，你要是富士康你雇哪個？GPU就是這樣，用很多簡單的計算單元去完成大量的計算任務，純粹的人海戰(zhàn)術。這種策略基于一個前提，就是小學生A和小學生B的工作沒有什么依賴性，是互相獨立的。很多涉及到大量計算的問題基本都有這種特性，比如你說的破解密碼，挖礦和很多圖形學的計算。這些計算可以分解為多個相同的簡單小任務，每個任務就可以分給一個小學生去做。但還有一些任務涉及到“流”的問題。比如你去相親，雙方看著順眼才能繼續(xù)發(fā)展。總不能你這邊還沒見面呢，那邊找人把證都給領了。這種比較復雜的問題都是CPU來做的。

總而言之，CPU和GPU因為最初用來處理的任務就不同，所以設計上有不小的區(qū)別。而某些任務和GPU最初用來解決的問題比較相似，所以用GPU來算了。GPU的運算速度取決于雇了多少小學生，CPU的運算速度取決于請了多么厲害的教授。教授處理復雜任務的能力是碾壓小學生的，但是對于沒那么復雜的任務，還是頂不住人多。當然現(xiàn)在的GPU也能做一些稍微復雜的工作了，相當于升級成初中生高中生的水平。但還需要CPU來把數(shù)據(jù)喂到嘴邊才能開始干活，究竟還是靠CPU來管的。