GPU 编程相关 简要摘录

2020-12-30 11:16:37 浏览数 (1)

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；

CPU 与 GPU 体系结构：

 CPU 是一种低延迟的设计：

  • 强大的ALU,拥有较高的时钟频率；
  • 容量较大的cache,包括L1,L2,L3三级高速缓存，现在基本上是片上cache,cache占据相当一部分片上空间；
  • CPU有复杂的控制逻辑,如：复杂的流水线（pipeline)、分支预测（branch prediction）、乱序执行（Out-of-order execution）等；
  • 这些导致了，cpu使用较少的资源用于ALU 计算单元；

 GPU是一种面向吞吐的设计：

  • GPU 有大量的ALU;
  • cache很小，缓存为thread提高服务，而不是保存后面需要访问的数据，这点和CPU不同；
  • 没有复杂的控制逻辑，没有分支预测等这些组件；
  • 于CPU对比起来，CPU擅长处理逻辑负载，串行的计算任务;而GPU擅长的是大规模的数据并行的计算任务；

参考链接：

http://hustcat.github.io/gpu-architecture/

https://www.huzhenyu.me/

https://www.cnblogs.com/biglucky/p/4223565.html

https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html

http://haifux.org/lectures/267/Introduction-to-GPUs.pdf (推荐)

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

c++ fpga 缓存 https

0 人点赞