GPU 编程相关 简要摘录

gpu 编程可以称为异构编程，最近由于机器学习的火热，很多模型越来越依赖于gpu来进行加速运算，所以异构计算的位置越来越重要；异构编程，主要是指cpu+gpu或者cpu+其他设备（fpga等）协同计算。当前的计算模型中，cpu主要用来进行通用计算，其更多的是注重控制，我们可以通过gpu和fpga等做专用的计算。

cpu负责逻辑性强的事物处理和串行计算，gpu则专注于执行高度线程化的并行处理任务（大规模计算任务）

编程框架：

• c++ amp：accelerator massive parallelism ：c++的异构并行模型.
• cuda：compute unified device architecture ：显卡厂商nvidia于2007年推出的业界第一款异构并行编程框架。
• opencl (open computing language)：业界第一个跨平台的异构编程框架。它是apple领衔并联合nvidia，amd，ibm，intel等众多厂商于2008年共同推出的一个开放标准，由单独成立的非营利性组织khronos group管理。与c++ amp类似，opencl作为一个开放的标准，并不局限于某个特定的gpu厂商。

三种异构编程框架，对比来看：cuda和opencl 比 c++ amp 更接近于硬件底层，所以前两者性能较好，c++ amp 相对前两者 具有较高的易编程性；

三种框架的选择：

• 看重易用性：c++ amp， windows 平台，c++ 本身也是一个开放的标准，目前只有微软自己做了实现；
• 看重nvidiagpu卡上的高性能：cuda；有大厂的直接支持，cuda的开发环境也非常成熟，拥有很多函数库的支持；
• 看重不同平台间的可移植性：opencl可能是目前最好的选择；（相对于opencl 你可能会听说过 opencv,opengl,openal 等标准）opencl 得到了很多软硬件厂商的大力支持。

异构计算中常见的组合：

通用处理器对协处理器之间，主要考虑一些几个方面：协处理器能全面支持需要用到的场景关键算法（算法性能）；协处理器需要有大量并行通道，每个通道支持低延时的数据处理（数据并行和低延时处理能力）；和主处理器能方便得进行数据交互（接口性能较好）；协处理器可以针对计算需求升级迭代（配置灵活）；协处理器更低的运行成本，更小的空间占用和更简单的热处理方案（低功耗）；

• cpu+gpu
  • 
  • gpu 中，大量的硬件资源被用于逻辑运算单元，小部分用作控制电路，gpu中一个控制单元要负责好几个计算单元，其为大规模数据并行处理提供了基础；使用gpu做异构计算需要考虑gpu memory 和 system memory数据相关性和尽量减少异构计算过程中的控制分支；
• cpu+fpga
  • fpga 优点：
    • 稳定性：驱动层控制硬件，减少了系统抢占带来的风险;
    • 性能：利用硬件并行的优势，打破了顺序执行的模式；硬件控制层面控制io输入和输出达到了专业需求能力；
    • 维护性高：fpga可以现场升级，无需重新设计asic所需要的时间和费用投入；
    • 成本：比定制化的asic便宜，可自定义编程使用；
• cpu+asic
  • asic 为application specific integrated circuit， 特殊定制集成电路。编程语言越接近底层硬件，运行速度越快。
  • 性能方面：asic > fpga > gpu；
  • 缺点：由于asic 定制化，导致价格较为高昂，定制过程漫长，而且功能一旦定制就很难再去更改；

 

资源多整理自网络，保持更新，如果对您有帮助，请关注 cnblogs.com/xuyaowen