CUDA学习笔记（一）：浅析GPU计算——CPU和GPU的选择

 

转载自CSDN：Never-Giveup

目前市面上介绍GPU编程的博文不少，其中不少都是照章宣科，让人只能感觉到冷冷的技术，而缺少知识的温度。因此我但愿能写出一篇能够体现技术脉络感的文章，让读者能够比较容易理解该技术，并能够感悟到cuda编程设计及优化的原理。

谈到计算，咱们通常都会先想到CPU。CPU的全称是Central Processing Unit，而GPU的全称是Graphics Processing Unit。在命名上。这两种器件相同点是它们都是Processing Unit——处理单元；不一样点是CPU是“核心的”，而GPU是用于“图像”处理的。在咱们通常理解里，这些名称的确很是符合大众印象中它们的用途——一个是电脑的“大脑核心”，一个是图像方面的“处理器件”。可是聪明的人类并不会被简单的名称所束缚，他们发现GPU在一些场景下能够提供优于CPU的计算能力。

因而有人会问：难道CPU不是更强大么？这是个很是好的问题。为了解释这个疑问，咱们须要从CPU的组织架构提及。因为Intel常见的较新架构如broadwell、skylake等在CPU中都包含了一颗GPU，因此它们不能做为经典的CPU架构去看待。咱们看一款相对单纯的CPU剖面图 

这款CPU拥有8颗处理核心，其余组件有L3缓存和内存控制器等。能够见得该款CPU在物理空间上，“核心”并非占绝大部分。就单颗Core而言（上图CPU属于Haswell-E架构，下面截图则为Haswell的Core微架构。“Intel processors based on the Haswell-E microarchitecture comprises the same processor cores as described in the Haswell microarchitecture, but provides more advanced uncore and integrated I/O capabilities. ”——《64-ia-32-architectures-optimization-manual》） 

能够看到，其有20多种“执行单元”（Execution Units）,如ALU、FMA、FP add和FP mul等。每一个“执行单元”用于处理不一样的指令

能够见得CPU是个集各类运算能力的大成者。这就如同一些公司的领导，他们可能在各个技术领域都作到比较精通。可是一个公司仅仅只有这样的什么均可以作的领导是不行的，由于领导的价值并不仅是体如今一线执行能力上，还包括调度能力。

咱们以Intel和ARM的CPU为例。好比我手上有一台国产号称8核心，每颗核心可达2GHz的手机，目前打开两个应用则卡顿严重。而我这台低等配置的两核心，最高睿频2.8GHz的笔记本，能够轻轻松松运行多个应用。抛开系统和应用的区别，以及CPU支持的指令集来思考，究竟是什么让Intel的CPU使用起来愈来愈流畅？

有人可能说是主频，咱们看下CPU主频的发展图（ 参考周斌老师课件 后续补上）

能够见得CPU的主频在2000年之前仍是符合摩尔定律的。可是在2005年左右，各大厂商都没有投放更高主频的CPU（理论上如今主频应该达到10GHz了），有的反而进行了降频。为何？一是CPU的主频发展在当前环境下已经接近极限，并且功耗也会随着主频增长而增长。可是咱们感受到电脑愈来愈慢了么？

也有人说是核心数。最近10来年，市面上桌面版intel系列CPU仍是集中在二、四、8核心数上。以2005年的奔腾D系列双核处理器和如今core i3 双核处理器来对比，奔腾D应该难以顺畅的运行Win10吧（它的执行效率连2006年发布的Core 2 Duo都不如）。

还有人会说是乱序执行（out of order）。一个比较经典的乱序执行例子是这样的

class_name * p = NULL; 
……
p = new class_name;

咱们通常理解这个过程能够分解为：1 分配空间；2 调用构造函数；3 空间地址赋值给p。而后CPU可能会将2,3两个顺序颠倒。

这样作有什么好处呢？好比另一个线程B要检测p是否为NULL，若是不为NULL则调用相应方法。若是按照先构造再赋值的顺序，线程B要等待上述流程结束后才能开始前进。而若是采用先赋值再构造，线程B在赋值结束后就开始前进了，而此时new操做所在的线程可能也同步完成了构造函数的调用。（固然这和咱们理解不一样，可能会引发bug）

然而ARM也有这样的功能 

除了上述观点外，还有缓存存取速率、缓存大小等影响因素。可是这些因素，ARM系列CPU也能够作到，可是为何仍是没Intel快呢？

固然因素确定是多样的。接下来我只是罗列出我的认为比较重要的缘由分支预测（Branch predictor）。再以一段代码为例

int b = 3;

int c = 4;
bool a = memory_enough();
if (a) {
    b *= c;
}
else {
    b += c;
}

若是按照通常的想法，CPU执行的流程是：获取a的值后选择一个分支去执行。假如a的逻辑可能比较耗时（好比存在IO等待操做），CPU要一直等待下去么？如今CPU的作法则相对智能，它会预测a的值，执行预测对应的分支。而后等到a的值返回后再校验是否猜想正确，若是正确，咱们将节省一个分支执行的等待时间。若是猜想错误，则回退回去再执行正确的流程。

可能有人会怀疑分支在代码逻辑中的比例那么高么？须要独立设计这么一个功能来优化？据我对部分项目作得统计分析，不少业务代码的分支占比在80%左右。

可能还有人会怀疑这种猜想靠谱么？据还没有考证的消息，intel号称准确率超过90%。虽然ARM也有分支预测功能，可是其准确率有这么高么？我还没有找到相应数据。

说了这么多，我只想说明一个观点：CPU是一个拥有多种功能的优秀领导者。它的强项在于“调度”而非纯粹的计算。而GPU则能够被当作一个接受CPU调度的“拥有大量计算能力”的员工。

为何说GPU拥有大量计算能力。咱们看一张NV GPU的架构图 

这款GPU拥有4个SM（streaming multiprocessor），每一个SM有4*8个Core，一共有4*4*8=64个Core（此处的Core并不能够和CPU结构图中的Core对等，它只能至关于CPU微架构中的一个“执行单元”。以后咱们称GPU的Core为cuda核）。

再对比一下CPU的微架构和架构图，以FP mul“执行单元为例”，一个CPU的Core中有2个，六核心的CPU有12个。虽然咱们不知道GPU cuda核的内部组成，可是能够认为这样的计算单元至少等于cuda核数量——60。

60和12的对比还不强烈。咱们看一张最新的NV显卡的数据

5120这个和12已经不是一个数量级了！

若是说cuda核心数不能表明GPU的算力。那咱们再回到上图，能够发现这款GPU提供了640个Tensor核心，该核心提供了浮点运算能力。我并不太清楚CPU中有多少相似的核心，可是从NV公布的一幅图能够看出二者之间的差距——也差一个量级。

除了计算能力，还有一个比较重要的考量因素就是访存的速率。当咱们进行大量计算时，每每只是使用寄存器以及一二三级缓存是不够的。

目前Intel的CPU在设计上有着三级缓存，它们的访问速度关系是： L1>L2>L3 ，而它们的容积关系则相反： L1<L2<L3 。以图中Intel Core i7 5960X为例，其L3缓存的大小只有20M。很明显CPU自带的缓存大小过小，不足以承载全部的系统。因而须要使用内存来补充。该款CPU的最大支持64G内存，其内存最大带宽是68GB/s。

然而GPU对应的显存带宽则比CPU对应内存高出一个数量级！ 

经过本文的讲述，咱们能够发现GPU具备以下特色：

• 1 提供了多核并行计算的基础结构，且核心数很是多，能够支撑大量并行计算

• 2 拥有更高的访存速度

• 3 更高的浮点运算能力

  若是咱们在使用CPU运行代码时遇到上述瓶颈，则是考虑切换到GPU执行的时候了。
  

参考：

https://blog.csdn.net/breaksoftware/article/details/79275626