CPU+GPU计算模式与单纯的CPU计算模式相比，有何优势？（获奖名单公布！）

send_linux

请获奖用户将联系方式及邮寄地址站内发送给管理员“风铃之音”，我们将尽快安排快递。

获奖用户名单如下：

8楼
沿河歌唱

18楼
yifeng639

42楼
lemoncandy

53楼
Mysql2009

54楼
gamebus

59楼
youjiafa

66楼
7kbird

68楼
wang290

71楼
hardlife

77楼
cnzwg2007

活动背景：

什么是GPU？

GPU英文全称Graphic Processing Unit，即“图形处理器”。GPU计算或GPGPU（General Purpose GPU, 通用计算图形处理器）计算就是利用图形处理器来进行通用科学与工程计算。

什么是GPU计算？

GPU计算的模式是在异构协同处理计算模型中将CPU与GPU结合起来加以利用。应用程序的串行部分在CPU上运行，而计算任务繁重的部分则由GPU来加速。从用户的角度来看，应用程序只是运行得更快了。因为应用程序利用了GPU的高性能来提升性能。

近年来，计算机图形处理器（GPU，Graphics Processing Unit）正在以大大超过摩尔定律的速度高速发展，极大的提高了计算机图形处理的速度和质量，不但促进了图像处理、虚拟现实、计算机仿真等相关应用领域的快速发展，同时也为人们利用GPU进行图形处理以外的通用计算提供了良好的运行平台。基于GPU的通用计算已成为近几年人们关注的一个研究热点。将GPU用于通用计算的主要目的是为了加速计算，加速的动力来自GPU在高性能计算方面所具有的优势，如高效的并行性，高密集的运算等等。通用GPU也即是GPGPU具备优异的浮点性能可为众多科学应用程序带来显著的性能提升，基于GPGPU的高性能计算已经广泛应用于高校各个学科中，各个IT厂商也推出了基于GPGPU的高性能计算解决方案。 对此，我们发起了GPGPU计算与应用的讨论活动。

讨论话题：

1.结合您的经验和体会，基于GPGPU的高性能计算主要应用于哪些学科应用？

2.CPU+GPU计算模式与单纯的CPU计算模式相比，有哪些优势又有哪些障碍？（可从硬件和软件两个方面来讨论，比如GPU在图形处理方面具有优势，但是要求使用图形编程语言来对 GPU（图形处理器）进行编程。）

活动时间：

2012.2.17-2012.3.16

活动规则：

1. 请针对上述问题跟贴回复，分享你的观点和看法；
2. 贴子观点鲜明、理由充分、逻辑清晰、有理有据；
3. 要求原创，尽可能结合自身实践来谈，抄袭、转载贴不能评选优秀回复贴；
4. 字数不少于50字。

活动奖励：

1.每个回复者将获得20个积分奖励
2.活动结束后将选出10名优秀回复者将获得价值百元的罗技（Logitech）MK200 多媒体鼠标键盘套装。

瀚海书香

回复 1# send_linux
目前的工作还没有用到过GPU编程，期待大侠出来讲解一下

   

chenyx

1.结合您的经验和体会，基于GPGPU的高性能计算主要应用于哪些学科应用？
现在CPU和Gpu融合是趋势,比如Intel的I3~I7系列,还有AMD的Apu系列,都是Cpu和Gpu融合在一个Cpu的核心里面,特别是Amd的Apu,cpu和gpu一起加速.
另外,Cpu和Gpu在高性能计算领域也有前途,当今的TopN的超级计算机,几乎都是Cpu结合Gpu来共同完成高速的运算的.
2.CPU+GPU计算模式与单纯的CPU计算模式相比，有哪些优势又有哪些障碍？（可从硬件和软件两个方面来讨论，比如GPU在图形处理方面具有优势，但是要求使用图形编程语言来对 GPU（图形处理器）进行编程。）
至于编程方面,游戏走在了前面,比如OpenCL和PhyX.普通用户想利用Gpu进行运算,还需要操作系统提供支持才行.现在的win7的桌面那个特效就利用了Gpu来参与计算,将来Os支持好了,Pc的用户体验一定能更好

renxiao2003

1.结合您的经验和体会，基于GPGPU的高性能计算主要应用于哪些学科应用？

GPGPU的高兴能计算主要应用在图像处理，虚拟现实，计算机仿真等相关领域，利用GPGPU的高速图形处理性能，对上述领域的图形计算和串行处理提供有力的支持，促进上述领域的快速发展。

2.CPU+GPU计算模式与单纯的CPU计算模式相比，有哪些优势又有哪些障碍？（可从硬件和软件两个方面来讨论，比如GPU在图形处理方面具有优势，但是要求使用图形编程语言来对 GPU（图形处理器）进行编程。）

CPU+GPU的计算模式相对于淡出的CPU计算模式相比，对图形的处理速度要高出很多倍，因为GPU的功能的提出，对图形的处理和计算可以在GPU部件中进行，减轻了CPU的负荷，已经IO的负荷，促进了图形处理速度的高速提高，而传统的只使用CPU计算在CPU负荷和IO负荷上要高出CPU+GPU模式很多。但是这同时对编程语言提出了新的要求，原来的编程语言只需要支持CPU指令，在CPU中运行，而为了支持CPU+GPU模式，必须要求提供对GPU指令的支持，并运行在GPU中，这同样对GPU编程人员提出了更高的要求。

unixlinuxsys

1.结合您的经验和体会，基于GPGPU的高性能计算主要应用于哪些学科应用？
——
GPU可广泛应用于:
GPU嵌入式系统、移动电话、个人电脑 、工作站和游戏机。
GPU在计算机图形处理方面表现优异，其高度并行的结构，使它相较于一般的CUP处理器更善于处理一系列复杂的运算。
在个人电脑上，GPU(图形处理器)往往集成于显卡或者主板。



2.CPU+GPU计算模式与单纯的CPU计算模式相比，有哪些优势又有哪些障碍？
——
CPU和GPU的本质区别

CPU的目标是快速执行单一指令流；
CPU将其用于乱序执行、寄存器重命名、分支预测以及巨大的cache上，这些设计都是为了加速单一线程的执行速度
CPU利用cache来降低内存访问延迟
CPU通过大量的cache和分支预测来降低延迟，这些机制消耗了大量的晶体管的电能；
CPU每个核心支持1~2个线程；
CPU切换线程的代价是数百个时钟周期；
CPU通过SIMD（单指令多数据）来处理矢量数据；
Intel的CPU没有集成内存控制器

GPU的目标是快速执行大量的并行指令流。
GPU将晶体管用于处理器阵列、多线程管理、共享内存、内存控制器，
这些设计并不着眼于提高单一线程的执行速度，而是为了使GPU可以同时执行成千上万的线程，
实现线程间通信，并提供极高的内存带宽。
GPU使用cache来放大内存带宽
GPU通过同时运行上千个线程来隐藏延迟，等待内存访问的线程会被切换掉，GPU切换线程不耗时间。
对于支持CUDA的GPU，每个流处理器可以同时处理1024个线程。
GPU切换线程的代价是0，事实上GPU通常每个时钟周期都切换线程。
GPU则使用SIMT（单指令多线程），SIMT的好处是无需开发者费力把数据凑成合适的矢量长度，并且SIMT允许每个线程有不同的分支。
支持CUDA的GPU集成有8个内存控制器，GPU的内存带宽通常是CPU的十倍

CPU的长项是整数计算，GPU的优势则是浮点计算。
对于整机性能而言，CPU和GPU都是性能的保障，合理的搭配才是重中之重，才能给用户带来最强的综合性能。

AMD强调两手都要硬，推出了融合CPU和GPU的APU——这是大势所趋

lixiaoming1813

这奖太小了

tomac_cu

1.结合您的经验和体会，基于GPGPU的高性能计算主要应用于哪些学科应用？
我所关心的是大计算量的数据库操作。现在正在实现的是一个分布式通用CPU的内核的检索加速。随着内存的不断增加，利用GPU来实现对RDBMS的加速将有可能是RDBMS的一个性能的飞跃。

2.CPU+GPU计算模式与单纯的CPU计算模式相比，有哪些优势又有哪些障碍？
单纯的CPU在可分割计算时就有了障碍了，而GPU适合可以分割运算的场合。
对于时间相关性较大的时候，就显示出GPU的不足，因为每个GPU核只有400~800M的样子。
逻辑运算在GPU上也略显不足。CPU+GPU计算模式，需要在逻辑上将不同的运算功能进行分割。
对于通用管理来说，CPU+GPU的难度太大，只能是做成专用模块，才有可能进一步推广。

沿河歌唱

我们公司目前的主要开发的方向就是地质勘探的三维可视化,
另外还要用到射线追踪模拟地震波在不均匀介质中的折射反射,找到地震波的真实反射位置.
这样我们就能构造出地下的地层分布，并根据这些信息，找到有利于油气生成和存储的位置。

对于三维可视化,我们公司打算用OpenCL来做体绘制,如果要让一块三维区域的地质构造直观的显示出来
我们不但要显示这个三维区域的介质速度分布,还要显示很多地层,比如说白垩纪的地层,
所以就必须使得这个三维区域里面介质速度的分布是以一定的透明度来显示,
我们透过这个三维区域,还能看到内部的地层曲面如何分布断裂.

公司原先传统的三维显示(仅仅绘制二维表面或者切片，没有涉及体绘制)的做法是在CPU上做射线追踪计算,
目前CPU射线追踪的效果是差强人意的,勉强能达到实时的三维显示.
如果要达到目前三维体绘制,描绘透明的物体,CPU计算是根本不能实现实时绘制的。
因为他们的运算的区别要差一个数量级(二维与三维的区别)。
比如说之前仅仅绘制三维物体的表面，需要半秒钟，
如果要把三维物体的内部绘制出来，那就需要几分钟。
这样的显示速度是无法忍受的。

我们目前正在把三维体透视算法移植到GPU上，
GPU对于这种高度并行化的算法是非常适用的.对于具体的GPU计算的框架的选择，
目前主要有nVidia主导的Cuda(粗大)和Apple主导并建立的行业标准OpenCL，
虽然现在GPU高性能通用计算方面，nVidia的显卡稍占上风，
但是我们选择了OpenCL而不是Cuda,因为OpenCL更加开放和透明，更有扩展性。
而Cuda仅仅是nVidia平台上的接口，对于AMD显卡就不适用，
而且Cuda也不适用于非GPU多核计算领域

反过来， OpenCL不但支持nVidia，AMD等公司的显卡，
更是支持非独立显卡上的GPU的多核计算，比如说APU和甚至是同一平台上的其它CPU核心。
使用OpenCL作为GPU计算的框架，使程序的可扩展性和通用性大大提高。

目前一些比较先进的技术如Clang/LLVM对OpenCL的支持也是我们使用OpenCL的一个考虑因素。
因为我们公司的程序是跨平台的，目前主要的平台是在Windows和Linux，
但是潜在的目标平台也有Solaris等中型机小型机，他们也许没有显卡，
但是有更多的CPU核心，比如说几十个核。
而Clang/LLVM能够把OpenCL代码编译成为无显卡设备上的并行代码，
我们编写一次OpenCL代码，就能在不同构架的机器上执行。
这样我们的程序就更有通用性。

好了，写的差不多了。

yifangyou

1.结合您的经验和体会，基于GPGPU的高性能计算主要应用于哪些学科应用？
答：我觉得GPGPU的高性能计算可以用于：
   1.气象预测，例如绘制预测的卫星云图，能够画出更高精度的
   2.电影特效制作，例如3D电影拍摄，阿凡达就是用强大的GPU合成的。
   3.航天天文，能够对天文望远镜或者卫星拍摄的图像或者视频进行处理，例如我国前不久发布的月球3D图片，还可以用GPGPU的强大能力模拟天宫登月的太空环境。
   4.科研机构，物理学上可以用GPGPU模拟物体运动，化学合成，数学公式证明。
   5.法律，模拟交通事 故的过程。



2.CPU+GPU计算模式与单纯的CPU计算模式相比，有哪些优势又有哪些障碍？（可从硬件和软件两个方面来讨论，比如GPU在图形处理方面具有优势，但是要求使用图形编程语言来对 GPU（图形处理器）进行编程。）
答：优势：
     1.GPU处理图像比CPU强很多，但是一般用于个人pc相对多一些，若是我们在web应用服务器上也能够使用GPU的强大图像处理的话，
    我们可以让网站的图片转换，缩略图，视频格式转换(rmvb转flv)等等的工作交给GPU,视频和图像就能够响应很快。
2.CPU的数值计算能力强，但浮点数计算能力差，GPU刚好能够补充它，当这两个配合起来的话，一些科学计算中出现的大量数据计算，就可以把整数部分交给CPU进行计算，把浮点数计算交给GPU，这样并行计算，能够大幅度缩短计算时间。
障碍：
     1.GPU编程开发人员相对缺乏，开发社区较少，目前应用行业比较窄，比CPU的庞大的开发市场和开发者来说太弱小。
     2.GPU的种类繁多，厂商较多，不像CPU的只有两家，缺乏标准，开发出来的程序不能通用运行。
     3.若是GPU和CPU并行计算，那么程序员需要懂得GPU和CPU的编程，而且挺难界限那些是CPU进行计算,那些是GPU计算，融合起来相对困难
     4.硬件上，往往GPU的处理速度要快，并行时往往GPU需要等待CPU给数据，很难达到高效率配合。

不想在家喂猪

友情帮顶，实在不懂这个～