“Two strong oxen or 1024 chickens?”
之前CPU系列的内容：
- CPU简介
- Cache
- SIMD
- Profiling
大家应该能感觉到，近些年来，CPU的发展速度远远跟不上GPU的发展速度，这里有很多因素，比如AMD的疲软，Intel主观上缺少动力，比如GPU更适合大计算量的应用，因此CPU没有太多必要提升计算能力。总之，一切都是由市场这个看不见的手来操纵。如下图，相比CPU，GPU计算能力更强，价格也更便宜。
GPU架构
我们和CPU做一个简单的类比：
- SM(shading multiprocessors)->CPU Cores
- Warps->hyperthreading
- 每个warp包含32个threads，相当于SIMD
- 每个warp内的线程执行相同的指令
- 每个SM中有多个register，可以在warps间共享
- Sharedmem->L1 Cache
- Global memory->内存
和CPU之间不同的是，GPU的内存是可编程的，而CPU的缓存是不可编程的；GPU的线程管理是不可编程的，而CPU的多线程管理（SIMD）是不可编程的。
这里有两点强调，第一，CPU通过Cache来解决latency，而GPU则通过并行来解决这个问题，比如原本有5s延迟，因为缓存优化，只有1s延迟，而GPU并没有缓存，所以还是有5s延迟，但因为有1000个线程同时并行，所以整体的latency就降低了。第二，就是GPU的thread scheduler，如下图，解释了为什么GPU中尽可能减少逻辑判断
GPGPU编程
目前，我所了解的主要有三种，Compute Shader，CUDA和OpenCL，这个是个人的优先级。在编程角度，思想上都大同小异。
首先是Global Size和LocalSize的理解，首先，我们需要计算的数据有可能是一维，二维甚至N维，对应global和local的维度。下图是一个二维数据（比如图片）对应的概念：
这样，我们便可以获取每一个thread对应的相对位置和全局位置，实现业务需求，如下，global(800,400),local(32,32)，column line和getlocal id则是对应的索引。
其次，作为运算的参数和结果，我们尽可能减少内存和显存之间的转换，比如我们计算创建一张纹理(GPU)，getBits(RAM)，然后OpenGL渲染(GPU)，在这种场景下，如果在GPGPU中的纹理能够直接对应OpenGL的Texture，则可以直接渲染，省去了FromDevice和ToDevice的操作，性能会有很大的提高。OpenCL和CUDA都支持绑定Texture对象，而Compute Shader自动支持。
整体来说，OpenCL需要自己做一个简单封装，方便调用，ComputeShader需要我们对OpenGL有不错的理解，CUDA可以通过VS自动创建，更为易用。下图是我使用三种框架做的一个Voronoi noise，github： https://github.com/pasu/opengllearner
GPGPU的应用
首先，大规模的计算，比如CNN神经网络或者挖矿，这类应用最适合GPU，没有太多技术难点，就是怕GPU闲着，堪称GPU的996。
其次，很多CPU时代的算法并不支持并行，比如排序，如何能够实现GPU版本的算法(Bitonic sort)，需要我们设计新的轮子了。
比如下面这个Prefix sum的并行版本，原本存在的loop dependency O(N),在并行版本下为O(logN)的loop，而每一个loop内部则是完全的并行计算（蓝色箭头示意部分）。
最后，还有一些计算量大，逻辑也很复杂的应用。比如GPU Ray Tracing就是一个很大，也很诱人的领域，can you feel it?
回到开头问题，当我们锄地时，你会选择两头牛呢，还是1024只鸡，希望这篇文章能帮助你找到自己的答案~
