深度學習硬體這件事gpucpufpga到底誰最合適

時間 2021-08-16 23:31:37

1樓:匿名使用者

gpu概念

gpu英文全稱graphic processing unit,中文翻譯為逗圖形處理器地。

gpu是相對於cpu的一個概念,由於在現代的計算機中(特別是家用系統,遊戲的發燒友)圖形的處理變得越來越重要,需要一個專門的圖形的核心處理器。

gpu的作用

gpu是顯示卡的逗大腦地,它決定了該顯示卡的檔次和大部分效能,同時也是2d顯示卡和3d顯示卡的區別依據。

2d顯示晶片在處理3d影象和特效時主要依賴cpu的處理能力,稱為逗軟加速地。

3d顯示晶片是將三維影象和特效處理功能集中在顯示晶片內,也即所謂的逗硬體加速地功能。

顯示晶片通常是顯示卡上最大的晶片(也是引腳最多的)。

現在市場上的顯示卡大多采用nvidia和ati兩家公司的圖形處理晶片。

於是nvidia公司在2023年釋出geforce 256圖形處理晶片時首先提出gpu的概念。

gpu使顯示卡減少了對cpu的依賴,並進行部分原本cpu的工作,尤其是在3d圖形處理時。

gpu所採用的核心技術有硬體t&l、立方環境材質貼圖和頂點混合、紋理壓縮和凹凸對映貼圖、雙重紋理四畫素256位渲染引擎等,而硬體t&l技術可以說是gpu的標誌。

簡單說gpu就是能夠從硬體上支援t&l(transform and lighting,多邊形轉換與光源處理)的顯示晶片,因為t&l是3d渲染中的一個重要部分,其作用是計算多邊形的3d位置和處理動態光線效果,也可以稱為逗幾何處理地。

一個好的t&l單元,可以提供細緻的3d物體和高階的光線特效;

只不過大多數pc中,t&l的大部分運算是交由cpu處理的(這就也就是所謂的軟體t&l),由於cpu的任務繁多,除了t&l之外,還要做記憶體管理、輸入響應等非3d圖形處理工作,因此在實際運算的時候效能會大打折扣,常常出現顯示卡等待cpu資料的情況,其運算速度遠跟不上今天覆雜三維遊戲的要求。

即使cpu的工作頻率超過1ghz或更高,對它的幫助也不大,由於這是pc本身設計造成的問題,與cpu的速度無太大關係。

關於cpu和gpu的相關問題

第一個問題:

gpu的競爭遠比cpu的競爭來得激烈。

通用pc的cpu就只有英特爾和amd兩家大廠。

而在gpu方面領先的是n記和a記兩家廠商,但能生產中低端產品的還有英特爾、3s等好幾家廠商。

它們的產品雖然不如前兩家,但在很多應用方面也能滿足使用者的需要,所以n記和a記只有拼命往前跑才不會死掉。

cpu廠商沒有采用gpu的先進工藝是因為cpu廠商都有自己投資的生產線,不可能一下把原來的生產線都淘汰了上新的生產線,那樣做可能連當初投入的資金都難以收回。

而gpu廠商由於種種原因,一般都是自己設計由別人代工的,比如找臺積電代工。

代工廠商為了能接到業務,只有不停升級自己的生產裝置,這樣才能生存下來。

所以造成以上原因。

第二個問題

就如所說的一樣,cpu除了處理遊戲的ai,情節等方面的資料外,對於有些影象方面也是由它完成的。

當微軟每次釋出新的dx時,並不是每款gpu都能支援dx新的特性,所以有些影象方面的任務還得由cpu來完成。

還有有些特性比如重力特性以前是由cpu來完成,現在有些gpu也能支援了,這些任務就由gpu來完成了。

第三個問題

gpu相當於專用於影象處理的cpu,正因為它專,所以它強,在處理影象時它的工作效率遠高於cpu,但是cpu是通用的資料處理器,在處理數值計算時是它的強項,它能完成的任務是gpu無法代替的,所以不能用gpu來代替cpu。

另外現在amd收購了a記顯示卡晶片的設計廠商,amd看到今後cpu和gpu只有走一條融合的道路才能地競爭中佔得先機。

cpu和gpu如何配合默契才能最大地提高工作效率是amd現在考慮的問題,也是英特爾的問題。

第四個問題

微軟釋出windows7 其中一個顯著特性就是 聯合gpu和cpu的強大實力,提升gpu在硬體使用的價值,在windows7中,cpu與gpu組成了協同處理環境。

cpu運算非常複雜的序列**,而gpu則執行大規模並行應用程式。

微軟利用directx compute將gpu作為作業系統的核心組成部分之一。

directx compute。

它讓開發人員能夠利用 gpu的大規模平行計算能力,創造出引人入勝的消費級和專業級計算應用程式。

簡單的說,directx compute就是微軟開發的gpgpu通用計算介面,欲統一gpu通用計算標準。

也就是說windows7 以後gpu的硬體地位將僅次於cpu,發揮出更大的效用。

2樓:騰訊電腦管家

在未來的深度學習中,大約有95%的應用是資料的推斷。

而且fpga或者asic相較於gpu/cpu無論在研發還是產出上的成本都明顯降低。

因此必然是兵家必爭之地。

無論從intel收購altra/ movidius,還是xilinx與ibm合作,抑或谷歌和高通默默開發自己的專屬asic中都可見一斑。

而且針對移動端的深度學習,fpga或者asic更多的會以soc形式出現,以至於更好的優化神經網路結構提升效率。

3樓:匿名使用者

不明白樓主你要問什麼。

用gpu和cpu伺服器深度學習,哪個合算?

4樓:ai撲社

gpu合算

cpu擅長邏輯控制,序列的運算。

gpu擅長的是大規模併發計算。

gpu的工作大

部分計算量大,但沒什麼技術含量,而且要重複很多很多次。gpu用很多簡單的計算單元去完成大量的計算任務,純粹的人海戰術。

5樓:隨風而至喵小姐

如果是深度學習,那麼gpu的效能和**更好,比如這款配置了nvdia rtgeforce rtx 2080 ti的gpu計算卡,也才兩w,價效比很高

產品型號:za1p2s8-16897-tc2產品型別:單路十六核塔式gpu計算伺服器

處 理 器:threadripper 2950x內 存:64g ddr4

硬 盤:ssd nvme m.2 512g網 卡:雙千兆

管 理:硬體監控、遠端管理

機 構:塔式

電 源:1250w

作業系統:linux免費版 / vmware esxi服 務:全國聯保 叄年質保

6樓:太陽島

cpu是一個有多種功能的優秀領導者。它的優點在於排程、管理、協調能力強,計算能力則位於其次。而gpu相當於一個接受cpu排程的“擁有大量計算能力”的員工。

當需要對大資料bigdata做同樣的事情時,gpu更合適,當需要對同一資料做很多事情時,cpu正好合適。

gpu能做什麼?關於圖形方面的以及大型矩陣運算,如機器學習演算法等方面,gpu就能大顯身手。

簡而言之,cpu擅長統領全域性等複雜操作,gpu擅長對大資料進行簡單重複操作。cpu是從事複雜腦力勞動的教援,而gpu是進行大量平行計算的體力勞動者。

深度學習是模擬人腦神經系統而建立的數學網路模型,這個模型的最大特點是,需要大資料來訓練。因此,對電腦處理器的要求,就是需要大量的並行的重複計算,gpu正好有這個專長。

7樓:博百優小

說道經濟實惠,那肯定租用gpu伺服器更靠譜。硬體配置不太懂,不過我的**是室友推薦的易學智慧上租的gpu跑的,比自己組裝肯定是要划算,當然小白也不會弄硬體方面。整體來說,租用還是方便,適合我這樣的小白上手。

個人意見僅供參考,大神勿噴。

深度學習用gpu好還是cpu好? 5

8樓:匿名使用者

個人覺得,這個課題,可以通過實踐去驗證……

分別用cpu和gpu進行一下試驗,看看哪個效果好……效果更好的,就是最佳的選擇……

9樓:熱過火啊

不是很瞭解你的計算需求,不過從效率來說。目前用gpu的效率好過cpu幾倍。看你資料量 1660ti不太適合這種應用場景。視訊記憶體不夠的可能性肯定存在。建議試下。不行再加記憶體

希望對你有所幫助。不懂繼續問,滿意請採納

10樓:蜀中諸葛暗

現在做深度學習可以採用雲端計算資源,多種顯示卡(特斯拉p4 p40 p100 2080ti t4)多種預裝環境(cuda,tensorflow python)可以選擇,而且隨用隨開就行,一小時幾元錢,滴滴打車現在也做雲gpu,用過幾次挺不錯的https://i.didiyun.

11樓:匿名使用者

深度學習看你是初學的還是複習的,初學的一般對cpu顯示卡都不是要求特別高,如果是複習大型的深度學習哪吃gpu顯示卡相當厲害,比如,麗臺tesla p100 12g深度學習機器學習gpu加速卡,40000塊,所以為什麼有專門的深度學習顯示卡就說明gpu給cpu更重要,

深度學習硬體這件事,gpu,cpu,fpga到底誰最合適

12樓:霸7威武

gpu概念

gpu英文全稱graphic processing unit,中文翻譯為逗圖形處理器地。

gpu是相對於cpu的一個概念,由於在現代的計算機中(特別是家用系統,遊戲的發燒友)圖形的處理變得越來越重要,需要一個專門的圖形的核心處理器。

gpu的作用

gpu是顯示卡的逗大腦地,它決定了該顯示卡的檔次和大部分效能,同時也是2d顯示卡和3d顯示卡的區別依據。

2d顯示晶片在處理3d影象和特效時主要依賴cpu的處理能力,稱為逗軟加速地。

3d顯示晶片是將三維影象和特效處理功能集中在顯示晶片內,也即所謂的逗硬體加速地功能。

顯示晶片通常是顯示卡上最大的晶片(也是引腳最多的)。

現在市場上的顯示卡大多采用nvidia和ati兩家公司的圖形處理晶片。

於是nvidia公司在2023年釋出geforce 256圖形處理晶片時首先提出gpu的概念。

gpu使顯示卡減少了對cpu的依賴,並進行部分原本cpu的工作,尤其是在3d圖形處理時。

gpu所採用的核心技術有硬體t&l、立方環境材質貼圖和頂點混合、紋理壓縮和凹凸對映貼圖、雙重紋理四畫素256位渲染引擎等,而硬體t&l技術可以說是gpu的標誌。

簡單說gpu就是能夠從硬體上支援t&l(transform and lighting,多邊形轉換與光源處理)的顯示晶片,因為t&l是3d渲染中的一個重要部分,其作用是計算多邊形的3d位置和處理動態光線效果,也可以稱為逗幾何處理地。

一個好的t&l單元,可以提供細緻的3d物體和高階的光線特效;

只不過大多數pc中,t&l的大部分運算是交由cpu處理的(這就也就是所謂的軟體t&l),由於cpu的任務繁多,除了t&l之外,還要做記憶體管理、輸入響應等非3d圖形處理工作,因此在實際運算的時候效能會大打折扣,常常出現顯示卡等待cpu資料的情況,其運算速度遠跟不上今天覆雜三維遊戲的要求。

即使cpu的工作頻率超過1ghz或更高,對它的幫助也不大,由於這是pc本身設計造成的問題,與cpu的速度無太大關係。

關於cpu和gpu的相關問題

第一個問題:

gpu的競爭遠比cpu的競爭來得激烈。

通用pc的cpu就只有英特爾和amd兩家大廠。

而在gpu方面領先的是n記和a記兩家廠商,但能生產中低端產品的還有英特爾、3s等好幾家廠商。

它們的產品雖然不如前兩家,但在很多應用方面也能滿足使用者的需要,所以n記和a記只有拼命往前跑才不會死掉。

cpu廠商沒有采用gpu的先進工藝是因為cpu廠商都有自己投資的生產線,不可能一下把原來的生產線都淘汰了上新的生產線,那樣做可能連當初投入的資金都難以收回。

而gpu廠商由於種種原因,一般都是自己設計由別人代工的,比如找臺積電代工。

代工廠商為了能接到業務,只有不停升級自己的生產裝置,這樣才能生存下來。

所以造成以上原因。

第二個問題

就如所說的一樣,cpu除了處理遊戲的ai,情節等方面的資料外,對於有些影象方面也是由它完成的。

當微軟每次釋出新的dx時,並不是每款gpu都能支援dx新的特性,所以有些影象方面的任務還得由cpu來完成。

還有有些特性比如重力特性以前是由cpu來完成,現在有些gpu也能支援了,這些任務就由gpu來完成了。

第三個問題

gpu相當於專用於影象處理的cpu,正因為它專,所以它強,在處理影象時它的工作效率遠高於cpu,但是cpu是通用的資料處理器,在處理數值計算時是它的強項,它能完成的任務是gpu無法代替的,所以不能用gpu來代替cpu。

另外現在amd收購了a記顯示卡晶片的設計廠商,amd看到今後cpu和gpu只有走一條融合的道路才能地競爭中佔得先機。

cpu和gpu如何配合默契才能最大地提高工作效率是amd現在考慮的問題,也是英特爾的問題。

第四個問題

微軟釋出windows7 其中一個顯著特性就是 聯合gpu和cpu的強大實力,提升gpu在硬體使用的價值,在windows7中,cpu與gpu組成了協同處理環境。

cpu運算非常複雜的序列**,而gpu則執行大規模並行應用程式。

微軟利用directx compute將gpu作為作業系統的核心組成部分之一。

directx compute。

它讓開發人員能夠利用 gpu的大規模平行計算能力,創造出引人入勝的消費級和專業級計算應用程式。

簡單的說,directx compute就是微軟開發的gpgpu通用計算介面,欲統一gpu通用計算標準。

也就是說windows7 以後gpu的硬體地位將僅次於cpu,發揮出更大的效用。

優就業深度學習都學什麼,優就業的深度學習學了之後能做什麼?

奈何月光熹微 整個課程涉及的行業知識點是非常多的。具體來看看有哪些 ai概述及前沿應用成果介紹 人工神經網路及卷積神經網路原理及 tensorflow實 戰迴圈神經網路原理及專案實戰 生成式對抗網路原理及專案實戰 深度學習的分散式處理及專案實戰 深度強化學習及專案實戰 企業級專案實戰 車牌識別專案實...

深度學習都學什麼東西呢,深度學習具體要學哪些東西?

深度學習 dl,deep learning 是機器學習 ml,machine learning 領域中一個新的研究方向,它被引入機器學習使其更接近於最初的目標 人工智慧 ai,artificial intelligence 1 深度學習是學習樣本資料的內在規律和表示層次,這些學習過程中獲得的資訊對諸...

中公的深度學習怎麼樣

中公教育it優就業 這個課程還是非常不錯的。1 人工智慧領域權威機構,中國科學院自動化研究所可以說是人工智慧領域的權威代表。它是我國最早成立的國立自動化研究機構和最早開展類腦智慧研究的國立研究機構。長期從事 智慧科學與技術 的研究,在生物特徵識別 機器學習 視覺計算 自然語言處理 智慧機器人和智慧晶...