通用计算目的的图形处理器 曙光计算机cuda.pptVIP

操作系统 递归算法 桌面应用 例如MS Word 交互性应用 例如Debugger … CPU GPU 适用的应用 油气勘探 金融分析 医疗成像 有限元 基因分析 物理模拟 地理信息系统 热点 有哪些信誉好的足球投注网站引擎 数据库、数据挖掘 数理统计分析 生物医药工程 导航识别 军事模拟 无线射频模拟 图像语音识别 … 潜在 小结(1/2) CUDA编程模式开发要注意多线程读写、写写操作错误 CUDA编程模式性能优化： 每个线程访问的数据尽量是连续的 在计算过程中，尽量使数据从内存到显存中的拷贝一次完成 将计算过程中频繁用到的变量，存储到share memory或register中，合理利用芯片级显存 线程数尽量多 * * 小结(2/2) 通过 CUDA 编程模式改造，可以大幅度的提升粒子模拟程序的计算性能，但是作为GPGPU编程模式的一种，其仍有以下一些不足之处有待进一步完善： 编程复杂度较大，比较CUDA编程模式与传统的x86 CPU编程模式可以看到，在CUDA 编程中，对于线程分配、线程边界的处理及多线程读写等问题，不但需要人为的设计，且设计结构的好坏极大程度影响了最终程序运行的性能。而这些工作，在 x86 CPU编程模式中，实现起来相对要方便的多，有的甚至可以交给编译器来做。而与 Cell 体系结构编程模式相比较，CUDA目前缺少主流的集成开发环境，因此软件开发工作量相对也会大一些； GPU的运算单元较多，因此对于不能高度并行化的程序，性能提升不大； 在科学计算领域，往往对运算过程中的精度有一定要求，否则容易由于大量的迭代，导致结果不正确，而 CUDA 目前的版本双精度浮点运算支持不好，这限制了其在某些领域的应用； 不具备分支预测等复杂流程控制单元，因此对于具有高度分支的程序，效率较低； 目前GPGPU 编程模型尚不成熟，还没有公认的标准。 * * 谢谢！ * * * GPU的设计目标与GPU是不同的，CPU的大部分晶体管主要用于构建控制电路和Cache，只有少部分的晶体管完成实际的运算工作；而GPU架构中，其控制电路相对简单，而且对Cache的需求较小，所以大部分晶体管可以组成各类专用电路和多条流水线，使GPU的计算速度有了突破性飞跃，拥有强大的浮点运算能力。 * 天气和海洋建模（如WRF (天气研究与预测模型)和海啸模拟）等流体力学应用中的计算速度大幅提升，节省了时间和精确度。 * * * 在CUDA的程序架构中，程序执行区域分为两个部分：Host与Device。Host指在CPU上执行的部分,Device指在GPU 上执行的部分，这部分又称为“kernel”。通常，Host 程序会将需要并行计算的数据复制到 GPU 的显存，再由 GPU 执行 Device程序，完成后再由Host 程序将结果从GPU 显存中取回。另外需要注意的是，由于 CPU 存取显存时只能通过 PCI-Express 接口，速度较慢，因此不能经常进行，以免降低效率。通常可以在程序开始时将数据复制进GPU显存，然后在 GPU内进行计算，直到获得需要的数据，再将其复制到系统内存中。 在这个过程中，CPU担任的工作为控制 GPU执行，调度分配任务，并能做一些简单的计算，而大量需要并行计算的工作都交给 GPU 实现。 在程序实际运行时，CUDA 会产生很多在 Device 上执行的线程(thread)，每个线程都会执行kernel 程序段，根据索引号(index)的不同，获取不同的数据进行计算。 * * Larrabee应用程序的编写方式完全针对了NVIDIA和AMD所设计。在未来，GPU的通用计算发展之路是让GPU具备更多可编程特性，让它看上去更像是一颗CPU。而Larrabee的情况则完全相反，它本身就是CPU出身，具有完备的可编程特性。从发展的眼光去看这是非常正确的设计，在Larrabee中每一颗处理核心的本质就是一颗具备完全编程能力的CPU。 * Larrabee应用程序的编写方式完全针对了NVIDIA和AMD所设计。在未来，GPU的通用计算发展之路是让GPU具备更多可编程特性，让它看上去更像是一颗CPU。而Larrabee的情况则完全相反，它本身就是CPU出身，具有完备的可编程特性。从发展的眼光去看这是非常正确的设计，在Larrabee中每一颗处理核心的本质就是一颗具备完全编程能力的CPU。 * CPU+GPU编程的本质是将粒子模拟中需要巨大计算量的工作交给GPU多线程执行实现，CPU主要进行调度工作。在GPU内部，数据有6种存放空间，存放方式与存放位置对程序性能影响极大。 AMD流计算开发包 FireStream Software Development Kit（SDK） Brook+ 基于C语言的面向GPGPU的高级编程语言 基于Stand