GPU上并行计算的历史_GPU并行计算 - CSDN文库

需积分: 18 136 浏览量更新于2023-03-16 评论收藏 102KB DOCX 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

自从 NVIDIA 于 1999 年发布第一颗 GPU（GeForce 256）开始，GPU 就已经与并行计算结下了不

解之缘，GPU 被扩展成为可进行浮点运算的可编程处理器，而不仅仅是图形处理器。GPU 无论计算能力

还是内存带宽都要远胜于 CPU，其性能不应该被限制在游戏和 3D 渲染之中。

GPU 的性能远远超出了 CPU 的想想

　　针对非图形应用程序的 GPU 编程的探索始于 2003 年。通过使用高级绘制语言如

DirectX、OpenGL 和 Cg，将多种数据平行算法导入 GPU。诸如蛋白质折叠、股票期权定价、SQL 查询

及 MRI 重建等问题都能通过 GPU 获得非凡的加速表现。早期将图形 API 用于通用计算的努力被称之为

GPGPU（GPU 通用计算）。

　　虽然 GPGPU 模型展现了不俗的加速性能，但仍然有不少缺陷：

　　首先，它要求程序员全面掌握与图形 API 以及 GPU 架构相关的知识；

　　其次，问题必须以顶点坐标、纹理及着色器程序的形式表达出来，这就大大增加了程序的复杂程度；

　　第三，不支持基础的编程特性如面向内存的随机读写，极大地限制了编程模型；

　　最后，缺乏双精度支持（直到最近才具备这一特性）意味着有些科学应用程序将不能在 GPU 上运行。

　　为了解决这些问题，NVIDIA 采用了两种关键技术——G80 统一图形及计算架构和 CUDA。CUDA

是一种软硬件架构，可以使用多种高级编程语言来针对 GPU 进行编程。这两种技术代表着一种新的应用

GPU 的方式。跟以前通过编程将专门的图形单元同图形 API 结合到一起不同，程序员可以利用 CUDA 的

扩展来编写 C 语言程序，并面向一个通用的平行处理器。NVIDIA 将这种新的 GPU 编程方式称为“GPU 计

算”，它意味着更广泛的应用程序支持、更多编程语言的支持以及同早期 GPGPU 编程模型的彻底分离。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论0

希望永驻

粉丝: 0
资源: 2

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈