第一篇：GPU 编程技术的发展历程及现状

时间 2019-11-18

标签一篇 gpu 编程技术发展历程现状繁體版

原文原文链接

前言

本文经过介绍 GPU 编程技术的发展历程，让你们初步地了解 GPU 编程，走进 GPU 编程的世界。编程

曾经，几乎全部的处理器都是以冯诺依曼计算机架构为基础的。该系统架构简单来讲就是处理器从存储器中不断取指，解码，执行。缓存

但现在这种系统架构遇到了瓶颈：内存的读写速度跟不上 CPU 时钟频率。具备此特征的系统被称为内存受限型系统，目前的绝大多数计算机系统都属于此类型。服务器

为了解决此问题，传统解决方案是使用缓存技术。经过给 CPU 设立多级缓存，能大大地下降存储系统的压力：网络

然而随着缓存容量的增大，使用更大缓存所带来的收益增速会迅速降低，这也就意味着咱们要寻找新的办法了。架构

1. 70年代末期，克雷系列超级计算机研制成功 (克雷1当年耗资800万美圆)。工具

此类计算机采用若干内存条的共享内存结构，即这些内存条能够与多个处理器相链接，从而发展成今天的对称多处理器系统 (SMD)。oop

克雷2是向量机 - 一个操做处理多个操做数。性能

现在的 GPU 设备的核心也正是向量处理器。学习

2. 80年代初期，一家公司设计并研制了一种被称为链接机的计算机系统。测试

该系统具备16个 CPU 核，采用的是标准的单指令多数据 (SIMD) 并行处理。链接机经过这种设计可以消除多余的访存操做，并将内存读写周期变为原来的 1/16 。

3. CELL 处理器的发明

这类处理器颇有意思，其架构大体以下图所示：

在此结构中，一个 PPC 处理器做为监管处理器，与大量的 SPE流处理器相连通，组成了一个工做流水线。

对于一个图形处理过程来讲，某个 SPE 可负责提取数据，另外一个 SPE 负责变换，再另外一个负责存回。这样可构成一道完完整整的流水线，大大提升了处理速度。

顺便提一句，2010年超级计算机排名第三的计算机就是基于这种设计理念实现的，占地面积达560平方米，耗资 1.25 亿美圆。

集群计算是指经过将多个性能通常的计算机组成一个运算网络，达到高性能计算的目的。这是一种典型的多点计算模型。

而 GPU 的本质，也一样是多点计算模型。其相对于当今比较火的Hadoop/Spark集群来讲：“点”由单个计算机变成了单个SM (流处理器簇)，经过网络互连变成了经过显存互连 (多点计算模型中点之间的通讯永远是要考虑的重要问题)。

随着 CPU "功耗墙" 问题的产生，GPU 解决方案开始正式走上舞台。

GPU 特别适合用于并行计算浮点类型的状况，下图展现了这种状况下 GPU 和 CPU 计算能力的差异：

但这可不能说明 GPU 比 CPU 更好，CPU应当被淘汰。上图的测试是在计算可彻底并行的状况下进行的。

对于逻辑更灵活复杂的串行程序，GPU 执行起来则远不如 CPU 高效 (没有分支预测等高级机制)。

另外，GPU 的应用早已不局限于图像处理。事实上 CUDA 目前的高端板卡 Tesla 系列就是专门用来进行科学计算的，它们连 VGA 接口都没。

注：

1. 各参数的具体含义将在之后的文章中作细致分析

2. 当前显卡的具体参数信息可经过调试工具获取到 (方法略)

1. CUDA

是英伟达公司推出的，专门针对 N 卡进行 GPU 编程的接口。文档资料很齐全，几乎适用于全部 N 卡。

本专栏讲述的 GPU 编程技术均基于此接口。

2. Open CL

开源的 GPU 编程接口，使用范围最广，几乎适用于全部的显卡。

但相对 CUDA，其掌握较难一些，建议先学 CUDA，在此基础上进行 Open CL 的学习则会很是简单轻松。

3. DirectCompute

微软开发出来的 GPU 编程接口。功能很强大，学习起来也最为简单，但只能用于 Windows 系统，在许多高端服务器都是 UNIX 系统没法使用。

总结，这几种接口各有优劣，须要根据实际状况选用。但它们使用起来方法很是相近，掌握了其中一种再学习其余两种会很容易。

1. 不单能学会如何使用 GPU 解决问题，更让咱们更加深刻地了解并行编程思想，为之后全面地掌握各类并行技术打下铺垫。

2. 并行计算相关知识的研究与发展势必会成为将来IT业界与学界的一大热点。