将GPU与CPU进行比较，为什么GPU更适合深度学习？

一，CPU和GPU的比较

CPU是具有多种功能的出色领导者. 它的优势在于强大的调度，管理和协调功能，其次是计算功能. GPU相当于接受CPU调度的“具有大量计算能力”的员工.

下图是处理器的内部结构:

DRAM（动态随机存取存储器）是常见的系统存储器.

缓存: 计算机中的高速缓存是位于CPU和主内存DRAM之间的小规模但高速的内存.

算术逻辑单元ALU是可以实现多组算术运算和逻辑运算的组合逻辑电路.

当您需要对bigdata做同样的事情时，GPU更适合. 当您需要使用相同的数据执行许多操作时，CPU恰到好处.

GPU可以做什么？在图形和矩阵运算（例如机器学习算法）方面，GPU可以发挥其才能.

简而言之，CPU善于指挥全局和其他复杂操作，而GPU善于对大数据执行简单且重复的操作. CPU是复杂脑力劳动的教学辅助工具，而GPU是执行大量并行计算的体力劳动者.

第二，机器深度学习

深度学习是一种数学网络模型，旨在模拟人的大脑和神经系统. 该模型的最大特点是需要大数据进行培训. 因此，对计算机处理器的要求是需要大量的并行重复计算. GPU具有这种知识，而时代已成为英雄. 因此，GPU承担了重要任务.

GPU具有以下特征:

1. 它提供了多核并行计算基础结构，并且核的数量非常大，可以支持对大量数据进行并行计算.

并行计算或并行计算相对于串行计算. 它是一种算法，可以一次执行多个指令. 目的是通过扩大解决问题的规模来提高计算速度并解决大而复杂的计算问题.

2. 具有更高的内存访问速度.

3. 更高的浮点计算功能. 浮点计算能力是与处理器的多媒体和3D图形处理有关的重要指标. 在当前的计算机技术中，由于大量多媒体技术的应用，浮点数的计算已大大增加，例如3D图形的渲染. 因此，浮点运算的能力是处理器计算能力的重要指标.

这三个特性非常适合深度学习.

三，如何利用GPU的大数据处理能力

GPU只是图形卡上的核心组件，不能单独工作. 它还需要一个缓存来辅助其工作. 离散图形卡直接焊接到图形电路板上的GPU，并且有一个冷却风扇，可以单独使用. 集成的图形卡将GPU和CPU放在一起，共享缓存以工作，并共享冷却风扇.

计算机处理大块数据比一一处理一个数据更有效，并且执行指令的开销也将大大减少，因为处理大块数据意味着需要更多的晶体管并行工作. 超过1亿个晶体管.

因此，要使用GPU进行大数据处理，至少到目前为止，没有单独的GPU板可以购买. 您只能购买具有出色GPU性能的超级独立显卡，或在一组集成卡中购买具有卓越GPU性能的主板.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shoujiruanjian/article-301897-1.html