GPU并行計(jì)算分析

張澳博

（鄭州外國語學(xué)校，鄭州 450000）

GPU并行計(jì)算分析

張澳博

（鄭州外國語學(xué)校，鄭州 450000）

本文通過闡述GPU的基本原理和發(fā)展歷程，對比CPU與GPU之間設(shè)計(jì)目的的不同，來說明GPU在高并行度計(jì)算中的優(yōu)勢，并介紹GPU的其他重要應(yīng)用，提出將來可能的發(fā)展前景。

計(jì)算機(jī)；并行計(jì)算；GPU

1 GPU基本原理與發(fā)展歷程

GPU取自Graphic Processing Unit的英文簡寫，譯為圖形處理單元。顧名思義，GPU是用來專門處理圖形運(yùn)算的處理單元，并且最初GPU的產(chǎn)生是為了將部分3D圖形處理功能從CPU中分出來，進(jìn)行硬件實(shí)現(xiàn)，以達(dá)到加快3D圖形處理速度的目的。GPU的標(biāo)志性技術(shù)是將T&L（光影轉(zhuǎn)換）從CPU中分離出來，用硬件來加以支持，T&L是3D渲染中的一個不可或缺的重要部分，其作用是做幾何處理，主要計(jì)算圖形的3D角度位置和處理動態(tài)光線陰影效果。除此之外，GPU還包含其他重要技術(shù)，例如立方環(huán)境材質(zhì)貼圖、紋理壓縮等等。

之后，GPU在發(fā)展中引入了可編程的特性，能夠?qū)D形硬件的流水線作為流處理器來解釋，基于GPU的通用計(jì)算也開始出現(xiàn)，主要用于實(shí)現(xiàn)矩陣乘法運(yùn)算和數(shù)學(xué)擴(kuò)散方程求解。為了實(shí)現(xiàn)更復(fù)雜多變的圖形效果，除了依賴硬件T&L實(shí)現(xiàn)光影轉(zhuǎn)換，還要加強(qiáng)頂點(diǎn)和像素的運(yùn)算能力，因此又提出了頂點(diǎn)著色器和像素著色器的硬件邏輯實(shí)現(xiàn)，用于支持可編程的頂點(diǎn)和像素，當(dāng)然，最初雖然引入了可編程特性，但是可編程性很弱，受到許多的硬件限制。不久以后，隨著可編程管線的出現(xiàn)，GPU的可編程性能不斷加強(qiáng)，GPU開始朝著SIMD處理器方向發(fā)展，SIMD是Single Instruction Multiple Data的英文簡稱，譯為單指令多數(shù)據(jù)流，主要特性是一條指令流可以同時處理多個數(shù)據(jù)流。此外，GPU的可編程性提高后，可編程浮點(diǎn)單元就變成GPU內(nèi)部的主要運(yùn)算力量。目前而言，面向GPU的統(tǒng)一計(jì)算架構(gòu)CUDA的出現(xiàn)，使得GPU成為GPGPU（基于GPU的通用計(jì)算），只是它還保留最初被設(shè)計(jì)的專用圖像處理的功能。

由于GPU在浮點(diǎn)計(jì)算能力上的突出表現(xiàn)滿足了深度學(xué)習(xí)在分類、卷積兩大主要活動上的性能要求，并且達(dá)到了深度學(xué)習(xí)所需要的精準(zhǔn)度，使得大型神經(jīng)網(wǎng)絡(luò)能夠盡可能地發(fā)揮其作用，因此幾乎所有的深度學(xué)習(xí)計(jì)算平臺都采用了GPU用來加速。NVIDIA表示，深度學(xué)習(xí)需要很高的內(nèi)在并行度、大量的浮點(diǎn)計(jì)算能力以及矩陣預(yù)算，而GPU可以提供這些能力，并且在相同的精度下，相對傳統(tǒng)CPU的方式，擁有更快的處理速度、更少的服務(wù)器投入和更低的功耗。

2 GPU與CPU

GPU和CPU都是有很強(qiáng)運(yùn)算能力的芯片，且都能完成浮點(diǎn)運(yùn)算功能，它們之間在性能上表現(xiàn)出來的不同，主要來自于他們不同的設(shè)計(jì)目的。

CPU被設(shè)計(jì)成為一個“通才”，它要兼顧指令和數(shù)值的并行運(yùn)算，大部分的晶體管用在了Cache（高速緩沖存儲器）和控制電路上，控制電路十分的復(fù)雜，內(nèi)部僅有5%的ALU（算術(shù)邏輯單元，即運(yùn)算器）；GPU則被設(shè)計(jì)成為一個以圖形類數(shù)值計(jì)算為核心的專注計(jì)算的“專才”，它對Cache需求不高，控制電路也較CPU簡單許多，于是它大部分的晶體管用在了計(jì)算單元上，內(nèi)部有40%的ALU。因此，CPU的設(shè)計(jì)目的是指令執(zhí)行的高效率，它的核心部分重復(fù)的設(shè)計(jì)不多，是計(jì)算機(jī)中設(shè)計(jì)最復(fù)雜的芯片，實(shí)現(xiàn)了程序執(zhí)行時的指令相關(guān)性和數(shù)據(jù)相關(guān)性等等復(fù)雜邏輯；GPU的設(shè)計(jì)目的則是面向矩陣類型的數(shù)值計(jì)算，它擁有大量重復(fù)設(shè)計(jì)的計(jì)算單元，用于實(shí)現(xiàn)大規(guī)模同類型數(shù)據(jù)的密集計(jì)算，最典型的就是圖形數(shù)據(jù)的矩陣運(yùn)算，這類計(jì)算可分成獨(dú)立數(shù)值計(jì)算單元，并且數(shù)據(jù)之間沒有程序執(zhí)行那樣的邏輯關(guān)聯(lián)性。

相比較于CPU的設(shè)計(jì)，GPU在一些需要耗費(fèi)巨大運(yùn)算力的問題處理上顯得優(yōu)勢明顯，主要特點(diǎn)有：

⊙ GPU的核心數(shù)量眾多，被稱為“眾核”，能夠進(jìn)行并行計(jì)算。雖然GPU單個的運(yùn)算核心相較于CPU的工作頻率低，但是GPU在總體的性能功耗比和性能芯片面積比上優(yōu)于CPU很多。

⊙ GPU能夠在一定程度上隱藏全局延遲。主要是通過大量并行線程之間的交織運(yùn)行來達(dá)到這樣的目的。

⊙ GPU在線程之間的切換上的開銷遠(yuǎn)遠(yuǎn)低于CPU。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，最重要的是訓(xùn)練速度，尤其是在深度學(xué)習(xí)中，它擁有的過多參數(shù)會耗費(fèi)大量的時間。而在神經(jīng)網(wǎng)絡(luò)中，大量的運(yùn)算是關(guān)于矩陣的運(yùn)算，這剛好與GPU的優(yōu)勢相重合，GPU本來設(shè)計(jì)的目的就是處理舉行類型的數(shù)值計(jì)算，所以GPU非常適合神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

3 GPU發(fā)展前景

GPU在并行計(jì)算上的優(yōu)勢無可厚非，視頻編碼解碼、矩陣運(yùn)算、醫(yī)療應(yīng)用、生命科學(xué)等研究應(yīng)用，因?yàn)樾枰罅恐貜?fù)的數(shù)據(jù)集運(yùn)算以及密集的內(nèi)存存取，都需要GPU相較于CPU而言更強(qiáng)悍的計(jì)算能力。但是GPU并行運(yùn)算是有前提的，它所處理的問題必須分成若干個可以并行執(zhí)行的部分。目前，很多問題其實(shí)并不滿足這個前提，大多數(shù)情況是后一個執(zhí)行依賴著前一個執(zhí)行的結(jié)果，這樣的存在依賴情況下，只能串行運(yùn)行，不能并行運(yùn)行，這樣一來，GPU顯得沒有用武之地。并且，GPU計(jì)算上的突出優(yōu)勢也僅僅體現(xiàn)在浮點(diǎn)運(yùn)算上，在整數(shù)運(yùn)算、邏輯運(yùn)算和控制運(yùn)算上，相較于CPU劣勢十分明顯。

因此，GPU要有長遠(yuǎn)的發(fā)展，以下幾個地方必須得到彌補(bǔ)。首先是分支預(yù)測能力，GPU需要擁有更好的分支能力，才能運(yùn)行更多復(fù)雜程序，更好地利用cache來掩蓋分支的延遲；其次是更大的緩存和Shared Memory，這種共享寄存器負(fù)責(zé)共享數(shù)據(jù)和臨時掛起線程，容量越大，線程跳轉(zhuǎn)和分支能力就越強(qiáng)；線程粒度同樣重要，粒度越細(xì)能夠調(diào)用并行度來進(jìn)行指令延遲掩蓋的機(jī)會越大，性能衰減越小，而細(xì)化粒度對GPU的線程仲裁機(jī)制要求很大。

GPU發(fā)展到今天，已經(jīng)突破了無數(shù)技術(shù)屏障，最初因圖形處理而誕生的硬件發(fā)展成為今天大規(guī)模并行計(jì)算領(lǐng)域的一顆新星。隨著智能終端對于圖像顯示的要求越來越高，GPU的性能也會隨之越來越優(yōu)化，也會被越來越多的大型計(jì)算機(jī)所采用。

展望未來，GPU的發(fā)展方向應(yīng)該是CPU+GPU的混合構(gòu)架模式，這樣使得CPU與GPU優(yōu)勢互補(bǔ)，將擁有高性能、低能耗的特點(diǎn)。

4 結(jié)束語

CPU與GPU各有所長，CPU擅長處理具有復(fù)雜計(jì)算步驟和復(fù)雜數(shù)據(jù)依賴的計(jì)算任務(wù)，像操作系統(tǒng)、系統(tǒng)軟件和通用應(yīng)用程序這類擁有復(fù)雜指令調(diào)度、循環(huán)、分支、邏輯判斷以及執(zhí)行等的程序任務(wù)。它的并行優(yōu)勢是程序執(zhí)行層面的，程序邏輯的復(fù)雜度也限定了程序執(zhí)行的指令并行性，上百個并行程序執(zhí)行的線程基本看不到。GPU的眾核架構(gòu)非常適合把同樣的指令流并行發(fā)送到眾核上，采用不同的輸入數(shù)據(jù)執(zhí)行，它擅長的是圖形類的或者是非圖形類的高度并行數(shù)值計(jì)算，GPU可以容納上千個沒有邏輯關(guān)系的數(shù)值計(jì)算線程，它的優(yōu)勢是無邏輯關(guān)系數(shù)據(jù)的并行計(jì)算，它在數(shù)值分析、金融分析以及像排序和MapReduce這樣的海量數(shù)據(jù)處理上應(yīng)用十分廣泛。

因此，在一臺CPU+GPU的計(jì)算機(jī)系統(tǒng)中，CPU和GPU各司其職，除了圖形運(yùn)算，GPU主要集中在高效率低成本的高性能并行數(shù)值計(jì)算，協(xié)助CPU分擔(dān)這種類型的計(jì)算，提高整體系統(tǒng)的性能。

[1] 盧風(fēng)順，宋君強(qiáng)，銀?？?，張理論．CPU/GPU協(xié)同并行計(jì)算研究綜述[J]．計(jì)算機(jī)科學(xué)，2011,(03):5-9+46

[2] 張朝暉，劉俊起，徐勤建．GPU并行計(jì)算技術(shù)分析與應(yīng)用[J]．信息技術(shù)，2009,(11):86-89

[3] 姜曉麗，王偉，隋毅．GPU工作流程簡介[J]．科技創(chuàng)新導(dǎo)報(bào)，2010,(24):46

10.3969/J.ISSN.1672-7274.2017.09.014

TP274文獻(xiàn)標(biāo)示碼：A

1672-7274（2017）09-0039-02