什么是GPU计算？

GPU计算是使用GPU（图形处理单元）作为协处理器来加速CPU，以加快科学、分析、工程、消费和企业应用程序的运行速度。GPU 加速器于 2007 年由 NVIDIA® 率先推出，现已在世界各地为政府实验室、高校、公司以及中小型企业的高能效数据中心提供支持。GPU 能够使从汽车、手机和平板电脑到无人机和机器人等平台的应用程序加速运行。

GPU通过卸载一些计算密集且耗时的代码部分来加速CPU上运行的应用程序。应用程序的其余部分仍在CPU上运行。从用户的角度来看，应用程序运行得更快，因为它使用GPU的大规模并行处理能力来提高性能。这被称为“异构”或“混合”计算。

CPU由4到8个CPU内核组成，而GPU由数百个较小的内核组成。它们共同运作以应对应用程序中的数据。这种大规模并行架构为GPU提供了高计算性能。有许多GPU加速的应用程序提供了访问高性能计算（HPC）的简便方法。

GPU与CPU的区别

应用程序开发人员使用NVIDIA发明的名为“CUDA”的并行编程模型来利用并行GPU架构的性能。所有NVIDIA GPU - GeForce®，Quadro®和Tesla® - 均支持NVIDIA®CUDA®并行编程模型。

Tesla GPU设计为计算加速器或配套处理器，针对科学和技术计算应用进行了优化。最新的Tesla 20系列GPU基于CUDA平台的最新实现，称为“Fermi架构”。 Fermi具有关键的计算功能，例如500 + gigaflops的IEEE标准双精度浮点硬件支持，L1和L2缓存，ECC内存错误保护，分布在整个GPU中的共享内存形式的本地用户管理数据缓存，合并内存访问等等。

GPU计算的历史

图形芯片起初是固定功能的图形管道。多年来，这些图形芯片变得越来越可编程，这导致NVIDIA推出了第一款GPU。在1999-2000时间框架内，计算机科学家以及医学成像和电磁学等领域的研究人员开始使用GPU加速一系列科学应用。这是称为GPGPU或通用GPU计算的运动的出现。

挑战在于GPGPU需要使用OpenGL和Cg等图形编程语言来编程GPU。开发人员必须使他们的科学应用程序看起来像图形应用程序，并将它们映射到绘制三角形和多边形的问题。这限制了GPU对科学的巨大性能的可访问性。

NVIDIA意识到了将这种性能带给更大的科学界的潜力，并投资于修改GPU以使其完全可编程用于科学应用。此外，它还增加了对C，C ++和Fortran等高级语言的支持。这导致了GPU的CUDA并行计算平台。

阿里云GPU云服务器服务

阿里云GPU云服务器服务基于GPU应用的计算服务，具有实时高速、并行计算、浮点计算能力强等特点，适用于视频解码、图形渲染、深度学习、科学计算等应用场景。产品型号包括AMD S7150、 Nvidia M40、Nvidia P100、Nvidia P4、Nvidia V100。点击链接了解更多关于GPU云服务器。