GPU چیست و چگونه کار می کند. پردازنده های گرافیکی در حل وظایف مدرن فناوری اطلاعات

واحد پردازش گرافیکی (GPU) نمونه بارز این است که چگونه فناوری طراحی شده برای وظایف پردازش گرافیکی به حوزه نامرتبط از محاسبات با عملکرد بالا گسترش یافته است. پردازنده‌های گرافیکی مدرن در قلب بسیاری از پیچیده‌ترین پروژه‌های یادگیری ماشینی و تجزیه و تحلیل داده‌ها قرار دارند. در مقاله مروری خود، به شما خواهیم گفت که مشتریان Selectel چگونه از سخت‌افزار GPU استفاده می‌کنند و به همراه معلمان مدرسه تحلیل داده Yandex به آینده علم داده و دستگاه‌های محاسباتی فکر می‌کنند.

پردازنده‌های گرافیکی در ده سال گذشته تغییرات زیادی کرده‌اند. علاوه بر افزایش فوق العاده عملکرد، تقسیم بندی دستگاه ها بر اساس نوع استفاده وجود داشت. بنابراین، کارت‌های ویدئویی برای سیستم‌های بازی خانگی و تاسیسات واقعیت مجازی در جهتی جداگانه برجسته می‌شوند. دستگاه های بسیار تخصصی قدرتمند ظاهر می شوند: برای سیستم های سرور، یکی از شتاب دهنده های پیشرو NVIDIA Tesla P100 است که به طور خاص برای استفاده صنعتی در مراکز داده طراحی شده است. علاوه بر پردازنده گرافیکی، تحقیقاتی به طور فعال در زمینه ایجاد نوع جدیدی از پردازنده‌هایی که کار مغز را شبیه‌سازی می‌کنند، در حال انجام است. به عنوان مثال، پلتفرم تک تراشه Kirin 970 با پردازنده نورومورفیک مخصوص به خود برای وظایف مربوط به شبکه های عصبی و تشخیص الگو است.

این وضعیت ما را در مورد سؤالات زیر به فکر وا می دارد:

• چرا حوزه تجزیه و تحلیل داده ها و یادگیری ماشین اینقدر محبوب شده است؟
• چگونه پردازنده‌های گرافیکی بر بازار سخت‌افزاری با داده‌های فشرده تسلط یافتند؟
• چه نوع تحقیق تجزیه و تحلیل داده ها در آینده نزدیک امیدوارکننده ترین خواهد بود؟

بیایید سعی کنیم به ترتیب به این مسائل بپردازیم، از اولین پردازنده های ویدئویی ساده شروع کنیم و به دستگاه های مدرن با کارایی بالا ختم کنیم.

دوران GPU

ابتدا بیایید به یاد بیاوریم که GPU چیست. واحد پردازش گرافیکی یک واحد پردازش گرافیکی است که به طور گسترده در سیستم های دسکتاپ و سرور استفاده می شود. ویژگی بارز این دستگاه تمرکز آن بر محاسبات موازی عظیم است. برخلاف پردازنده‌های گرافیکی، معماری واحد محاسباتی دیگر، CPU (واحد پردازنده مرکزی)، برای پردازش متوالی داده‌ها طراحی شده است. اگر تعداد هسته‌ها در یک CPU معمولی با ده‌ها اندازه‌گیری شود، در GPU هزاران عدد وجود دارد، که محدودیت‌هایی را بر انواع دستورات اجرا شده اعمال می‌کند، اما عملکرد محاسباتی بالایی را در وظایفی که شامل موازی‌سازی هستند، ارائه می‌کند.

اولین قدم ها

توسعه اولیه پردازنده های ویدئویی ارتباط نزدیکی با نیاز روزافزون به یک دستگاه محاسباتی جداگانه برای مدیریت گرافیک های دو بعدی و سه بعدی داشت. قبل از ظهور مدارهای کنترل کننده ویدیویی جداگانه در دهه 70، خروجی تصویر با استفاده از منطق گسسته انجام می شد که بر افزایش مصرف برق و بردهای مدار چاپی بزرگ تأثیر می گذاشت. ریز مدارهای تخصصی این امکان را فراهم می کند که توسعه دستگاه هایی را برای کار با گرافیک در جهت جداگانه مشخص کنیم.

رویداد انقلابی بعدی ظهور یک کلاس جدید از دستگاه های پیچیده تر و چند منظوره - پردازنده های ویدئویی بود. در سال 1996، 3dfx Interactive چیپست Voodoo Graphics را منتشر کرد که به سرعت 85٪ از بازار دستگاه های ویدئویی تخصصی را به دست آورد و در آن زمان رهبر گرافیک سه بعدی شد. پس از یک سری تصمیمات ناموفق توسط مدیریت شرکت، که از جمله آنها خرید سازنده کارت گرافیک STB بود، 3dfx رهبری را به NVIDIA و ATI (بعدها AMD) از دست داد و در سال 2002 اعلام ورشکستگی کرد.

محاسبات GPU عمومی

در سال 2006، NVIDIA خط تولید سری GeForce 8 را معرفی کرد که راه را برای کلاس جدیدی از دستگاه‌های محاسباتی GPU عمومی (GPGPU) هموار کرد. در طول توسعه، NVIDIA متوجه شد که هسته‌های بیشتری که با فرکانس پایین‌تر کار می‌کنند، برای بارهای کاری موازی کارآمدتر از هسته‌های کمتر و قدرتمندتر هستند. پردازنده‌های ویدئویی نسل بعدی پشتیبانی محاسباتی موازی را نه تنها برای پردازش جریان‌های ویدئویی، بلکه برای مشکلات مربوط به یادگیری ماشین، جبر خطی، آمار و سایر مشکلات علمی یا تجاری ارائه کرده‌اند.

رهبر شناخته شده

تفاوت در تنظیمات اولیه وظایف برای CPU و GPU منجر به تفاوت های قابل توجهی در معماری دستگاه شد - فرکانس بالا در مقابل چند هسته. برای GPU ها، این پتانسیل محاسباتی را ایجاد کرده است که در حال حاضر به طور کامل در حال تحقق است. پردازنده های ویدیویی با تعداد قابل توجهی از هسته های محاسباتی ضعیف تر، با محاسبات موازی کار بسیار خوبی انجام می دهند. واحد پردازش مرکزی که از لحاظ تاریخی برای انجام وظایف متوالی طراحی شده است، بهترین در زمینه خود باقی مانده است.

به عنوان مثال، بیایید مقادیر عملکرد CPU و GPU را در عملکرد یک وظیفه رایج در شبکه های عصبی - ضرب ماتریس های مرتبه بالا مقایسه کنیم. بیایید دستگاه های زیر را برای آزمایش انتخاب کنیم:

• CPU. Intel Xeon E5-2680 v4 - 28 رشته با HyperThreading، 2.4 گیگاهرتز.
• پردازنده گرافیکی NVIDIA GTX 1080 - 2560 CUDA Cores، 1607 مگاهرتز، 8 گیگابایت GDDR5X.

بیایید از مثالی از محاسبه ضرب ماتریس توسط CPU و GPU در Jupyter Notebook استفاده کنیم:

در کد بالا، ما زمان محاسبه ماتریس‌هایی با همان ترتیب روی CPU یا GPU ("زمان اجرا") را اندازه‌گیری می‌کنیم. داده ها را می توان در قالب یک نمودار ارائه کرد که در آن محور افقی ترتیب ماتریس های ضرب شده را نشان می دهد و محور عمودی - زمان اجرا بر حسب ثانیه:

خط نارنجی روی نمودار زمان ایجاد داده در رم معمولی، انتقال آن به حافظه GPU و سپس محاسبه آن را نشان می دهد. خط سبز زمان محاسبه داده هایی را که قبلاً در حافظه کارت گرافیک (بدون انتقال از RAM) تولید شده است نشان می دهد. آبی نشان دهنده زمان شمارش در CPU است. ماتریس های مرتبه کمتر از 1000 عنصر تقریباً در یک زمان در GPU و CPU ضرب می شوند. تفاوت در عملکرد با ماتریس های بزرگتر از 2000 تا سال 2000 به خوبی آشکار می شود، زمانی که زمان محاسبات در CPU به 1 ثانیه می پرد و GPU نزدیک به صفر باقی می ماند.

کارهای پیچیده‌تر و کاربردی‌تر در دستگاهی با پردازنده‌های گرافیکی کارآمدتر از بدون آنها حل می‌شوند. از آنجایی که مشکلاتی که مشتریان ما در سخت افزار GPU حل می کنند بسیار متنوع است، تصمیم گرفتیم تا دریابیم که محبوب ترین موارد استفاده چیست.

چه کسی در Selectel با GPU خوب زندگی می کند؟

اولین گزینه ای که بلافاصله به ذهن می رسد و معلوم می شود که حدس درستی است استخراج است، اما جالب است بدانید که برخی از افراد از آن به عنوان یک راه کمکی برای بارگیری تجهیزات به "حداکثر" استفاده می کنند. در مورد اجاره سرور اختصاصی با کارت گرافیک، زمان خالی از بار کاری برای استخراج ارزهای رمزنگاری شده که برای دریافت آنها نیازی به نصب (مزرعه) تخصصی ندارند، استفاده می شود.

وظایف مربوط به پردازش گرافیکی و رندر که قبلاً تا حدی کلاسیک شده‌اند، همیشه جای خود را در سرورهای Selectel با شتاب‌دهنده‌های گرافیکی پیدا می‌کنند. استفاده از تجهیزات با کارایی بالا برای چنین کارهایی به شما امکان می دهد راه حل کارآمدتری نسبت به سازماندهی ایستگاه های کاری اختصاصی با کارت های ویدیویی داشته باشید.

در طی گفتگو با مشتریان خود، با نمایندگان مدرسه تحلیل داده Yandex نیز ملاقات کردیم که از قدرت Selectel برای سازماندهی محیط های یادگیری آزمایشی استفاده می کند. پس از پیوستن متخصصان جوان به صفوف کارکنان سازمان‌های پیشرو یا راه‌اندازی استارت‌آپ‌های خود، تصمیم گرفتیم درباره کارهایی که دانش‌آموزان و معلمان انجام می‌دهند، چه حوزه‌هایی از یادگیری ماشینی در حال حاضر محبوب هستند و چه آینده‌ای برای این صنعت در انتظار است، بیشتر بدانیم.

علم داده

شاید در بین خوانندگان ما کسانی نباشند که عبارت "شبکه های عصبی" یا "یادگیری ماشینی" را نشنیده باشند. جدای از تغییرات بازاریابی در این کلمات، نکته اصلی علم داده نوپا و آینده نگر است.

رویکرد مدرن برای کار با داده ها شامل چندین حوزه اصلی است:

• اطلاعات بزرگ. مشکل اصلی در این زمینه حجم عظیمی از اطلاعات است که روی یک سرور واحد پردازش نمی شود. از نقطه نظر پشتیبانی زیرساخت، نیاز به حل مشکلات ایجاد سیستم های خوشه ای، مقیاس پذیری، تحمل خطا و ذخیره سازی داده های توزیع شده است.
• وظایف با منابع فشرده (یادگیری ماشین، یادگیری عمیق و غیره). در این مورد، سوال استفاده از محاسبات با کارایی بالا که به مقدار زیادی رم و منابع پردازنده نیاز دارد، مطرح می شود. در چنین وظایفی، سیستم هایی با شتاب دهنده های گرافیکی به طور فعال مورد استفاده قرار می گیرند.

خط بین داده های جهت دار به تدریج محو می شود: ابزارهای اصلی برای کار با داده های بزرگ (Hadoop، Spark) پشتیبانی از محاسبات در GPU را ارائه می دهند و مشکلات یادگیری ماشین مناطق جدیدی را پوشش می دهند و به داده های بیشتری نیاز دارند. معلمان و دانش آموزان دانشکده تجزیه و تحلیل داده ها به ما در درک جزئیات بیشتر کمک می کنند.

به سختی می توان اهمیت دستکاری هوشمند داده ها و اجرای مناسب ابزارهای تحلیلی پیشرفته را دست بالا گرفت. ما حتی در مورد کلان داده ها، "دریاچه ها" یا "رودخانه ها" آنها صحبت نمی کنیم، بلکه بیشتر در مورد تعامل هوشمندانه با اطلاعات صحبت می کنیم. آنچه در حال حاضر اتفاق می افتد یک موقعیت منحصر به فرد است: ما می توانیم طیف گسترده ای از اطلاعات را جمع آوری کنیم و از ابزارها و خدمات پیشرفته برای تجزیه و تحلیل عمیق استفاده کنیم. کسب و کار چنین فناوری هایی را نه تنها برای به دست آوردن تجزیه و تحلیل پیشرفته، بلکه برای ایجاد یک محصول منحصر به فرد در هر صنعتی پیاده سازی می کند. این آخرین نکته ای است که تا حد زیادی به رشد صنعت تجزیه و تحلیل داده ها شکل می دهد و باعث رشد آن می شود.

مسیر جدید

اطلاعات در همه جا ما را احاطه کرده است: از گزارش های شرکت های اینترنتی و تراکنش های بانکی گرفته تا خوانش های آزمایشی در برخورد دهنده بزرگ هادرون. توانایی کار با این داده ها می تواند میلیون ها سود به ارمغان بیاورد و به سوالات اساسی در مورد ساختار کیهان پاسخ دهد. بنابراین، تجزیه و تحلیل داده ها به یک حوزه جداگانه برای تحقیق در میان جامعه تجاری و علمی تبدیل شده است.

دانشکده تجزیه و تحلیل داده ها بهترین متخصصان و دانشمندانی را آماده می کند که در آینده به منبع اصلی تحولات علمی و صنعتی در این حوزه تبدیل شوند. به‌عنوان یک ارائه‌دهنده زیرساخت، صنعت نیز بر ما تأثیر می‌گذارد - مشتریان بیشتر و بیشتری برای کارهای تجزیه و تحلیل داده‌ها، تنظیمات سرور را درخواست می‌کنند.

ویژگی های وظایفی که مشتریان ما با آن روبرو هستند تعیین می کند که چه تجهیزاتی را به مشتریان ارائه دهیم و خط تولید ما در چه جهتی توسعه یابد. ما به همراه استانیسلاو فدوتوف و اولگ ایوچنکو با دانش آموزان و معلمان دانشکده تجزیه و تحلیل داده ها مصاحبه کردیم و متوجه شدیم که آنها از چه فناوری هایی برای حل مشکلات عملی استفاده می کنند.

فن آوری های تجزیه و تحلیل داده ها

در طول آموزش، دانش آموزان از مبانی (ریاضیات پایه عالی، الگوریتم ها و برنامه نویسی) به پیشرفته ترین زمینه های یادگیری ماشینی حرکت می کنند. ما اطلاعاتی را در مورد آنهایی که از سرورهای GPU استفاده می کنند جمع آوری کرده ایم:

• یادگیری عمیق؛
• یادگیری تقویتی؛
• بینایی کامپیوتری؛
• پردازش خودکار متن

دانش آموزان در انجام تکالیف و تحقیقات خود از ابزارهای تخصصی استفاده می کنند. برخی از کتابخانه ها برای تبدیل داده ها به فرم مورد نیاز طراحی شده اند، برخی دیگر برای کار با نوع خاصی از اطلاعات، مانند متن یا تصاویر طراحی شده اند. یادگیری عمیق یکی از سخت ترین زمینه ها در تجزیه و تحلیل داده ها است که استفاده زیادی از شبکه های عصبی می کند. ما تصمیم گرفتیم بفهمیم معلمان و دانش آموزان از چه چارچوب هایی برای کار با شبکه های عصبی استفاده می کنند.

ابزارهای ارائه شده از حمایت های متفاوتی از سوی سازندگان برخوردار هستند، اما با این وجود، همچنان به طور فعال برای اهداف آموزشی و کاری مورد استفاده قرار می گیرند. بسیاری از آنها برای انجام وظایف در یک بازه زمانی معقول به تجهیزات تولیدی نیاز دارند.

توسعه بیشتر و پروژه ها

مانند هر علم دیگری، جهت تجزیه و تحلیل داده ها تغییر خواهد کرد. تجربه‌ای که امروزه دانش‌آموزان دریافت می‌کنند، بی‌شک مبنای تحولات آینده خواهد بود. بنابراین، شایان ذکر است که گرایش عملی بالای برنامه به طور جداگانه مورد توجه قرار گیرد - برخی از دانش آموزان، در طول تحصیل یا پس از آن، دوره های کارآموزی را در Yandex شروع می کنند و دانش خود را از قبل در خدمات و خدمات واقعی (جستجو، بینایی کامپیوتر، تشخیص گفتار و غیره) به کار می گیرند. .

ما در مورد آینده تجزیه و تحلیل داده ها با معلمان دانشکده تجزیه و تحلیل داده ها صحبت کردیم که دیدگاه خود را در مورد توسعه علم داده با ما در میان گذاشتند.

به نظر ولادا شاکورو، مدرس دوره "تجزیه و تحلیل تصاویر و ویدئو"، جالب ترین وظایف در بینایی کامپیوتر تضمین ایمنی در مکان های شلوغ، رانندگی با وسیله نقلیه بدون سرنشین و ایجاد یک برنامه کاربردی با استفاده از واقعیت افزوده است. برای حل این مشکلات، لازم است بتوانیم داده‌های ویدیویی را به صورت کیفی تجزیه و تحلیل کنیم و اول از همه الگوریتم‌هایی برای تشخیص و ردیابی اشیاء، تشخیص شخص از روی چهره و بازسازی سه‌بعدی صحنه مشاهده‌شده توسعه دهیم. معلم ویکتور لمپیتسکی، که دوره Deep Learning را تدریس می کند، رمزگذارهای خودکار و همچنین شبکه های مولد و متخاصم را در جهت خود برجسته می کند.

یکی از مربیان دانشکده تجزیه و تحلیل داده ها نظرات خود را در مورد گسترش و استفاده اصلی از یادگیری ماشین به اشتراک می گذارد:

«یادگیری ماشین از تعداد معدودی محقق وسواس به ابزار دیگری برای توسعه دهندگان معمولی تبدیل می شود. قبلا (به عنوان مثال در سال 2012) مردم برای آموزش شبکه های کانولوشن روی یک جفت کارت ویدئو کدهای سطح پایین می نوشتند. اکنون، هر کسی می‌تواند در عرض چند ساعت:

• بارگیری وزن یک شبکه عصبی قبلاً آموزش دیده (به عنوان مثال، در کراس)؛
• از آن برای ایجاد یک راه حل برای کار خود استفاده کنید (تنظیم دقیق، یادگیری بدون شات).
• آن را در وب سایت یا برنامه تلفن همراه خود قرار دهید (tensorflow / caffe 2).

بسیاری از شرکت‌های بزرگ و استارت‌آپ‌ها قبلاً با این استراتژی برنده شده‌اند (مانند Prisma)، اما هنوز چالش‌های بیشتری وجود دارد که باید کشف و حل شوند. و شاید کل این داستان با یادگیری ماشینی/عمیق روزی به همان اندازه عادی شود که اکنون پایتون یا اکسل است.

امروز هیچ کس نمی تواند فناوری آینده را به درستی پیش بینی کند، اما وقتی بردار خاصی از حرکت وجود دارد، می توان فهمید که اکنون چه چیزی باید مورد مطالعه قرار گیرد. و فرصت های زیادی برای این در دنیای مدرن وجود دارد.

فرصت هایی برای مبتدیان

مطالعه تجزیه و تحلیل داده ها با الزامات بالا برای دانش آموزان محدود شده است: دانش گسترده در زمینه ریاضیات و الگوریتم ها، توانایی برنامه ریزی. کارهای واقعاً جدی یادگیری ماشین نیاز به سخت افزار تخصصی دارند. و برای کسانی که مایل به کسب اطلاعات بیشتر در مورد مؤلفه نظری علم داده هستند، دانشکده تجزیه و تحلیل داده ها، همراه با دانشکده عالی اقتصاد، یک دوره آنلاین "" را راه اندازی کردند.

به جای نتیجه گیری

رشد بازار پردازنده‌های گرافیکی به دلیل علاقه روزافزون به قابلیت‌های چنین دستگاه‌هایی است. GPU در سیستم‌های بازی خانگی، وظایف رندرینگ و پردازش ویدیو، و همچنین در مواردی که به طور کلی به محاسبات با کارایی بالا نیاز است استفاده می‌شود. کاربردهای عملی وظایف داده کاوی عمیق تر و عمیق تر به زندگی روزمره ما نفوذ می کند. و اجرای چنین برنامه هایی به بهترین نحو با کمک GPU انجام می شود.

ما از مشتریان خود و همچنین معلمان و دانش آموزان دانشکده تجزیه و تحلیل داده ها برای تهیه مشترک مطالب تشکر می کنیم و از خوانندگان خود دعوت می کنیم تا با آنها بیشتر آشنا شوند.

و برای کسانی که در زمینه یادگیری ماشینی، تجزیه و تحلیل داده ها و موارد دیگر با تجربه و پیچیده هستند، پیشنهاد می کنیم برای اجاره تجهیزات سرور با شتاب دهنده های گرافیکی به Selectel مراجعه کنید: از GTX 1080 ساده تا Tesla P100 و K80 برای سخت ترین کارها.

در انتخاب گوشی هوشمند ابتدا به چه نکاتی توجه می کنیم؟ جدا از هزینه یک لحظه، اولین کاری که انجام می دهیم، البته اندازه صفحه نمایش است. سپس به دوربین، مقدار عملیات، تعداد هسته ها و فرکانس پردازنده علاقه مندیم. و در اینجا همه چیز ساده است: به ترتیب هر چه بیشتر، بهتر، و کمتر، بدتر. با این حال، دستگاه های مدرن از یک پردازنده گرافیکی با نام GPU نیز استفاده می کنند. چیست، چگونه کار می کند و چرا دانستن در مورد آن مهم است، در زیر توضیح خواهیم داد.

GPU (واحد پردازش گرافیکی) یک پردازنده است که منحصراً به پردازش گرافیکی و محاسبات ممیز شناور اختصاص داده شده است. این در درجه اول وجود دارد تا کار پردازنده اصلی را در هنگام بازی‌های با منابع فشرده یا برنامه‌های گرافیکی سه بعدی آسان کند. وقتی یک بازی را انجام می دهید، پردازنده گرافیکی وظیفه ایجاد گرافیک، رنگ و بافت را بر عهده دارد، در حالی که CPU می تواند هوش مصنوعی یا محاسبات مکانیک بازی را انجام دهد.

معماری GPU تفاوت زیادی با معماری CPU ندارد، با این حال، برای مدیریت کارآمد گرافیک بهینه شده است. اگر GPU را مجبور به انجام هر گونه محاسبات دیگری کنید، از بدترین سمت خود را نشان می دهد.

کارت‌های ویدیویی که به‌صورت جداگانه وصل می‌شوند و با قدرت بالا کار می‌کنند، فقط در لپ‌تاپ‌ها و رایانه‌های رومیزی وجود دارند. اگر در مورد دستگاه‌های اندرویدی صحبت می‌کنیم، پس در مورد گرافیک یکپارچه و چیزی که SoC (سیستم روی یک تراشه) می‌نامیم صحبت می‌کنیم. به عنوان مثال، پردازنده دارای یک پردازنده گرافیکی یکپارچه Adreno 430 است، حافظه ای که برای کار خود استفاده می کند، حافظه سیستم است، در حالی که برای کارت های ویدئویی در رایانه های شخصی رومیزی، تنها حافظه موجود به آنها اختصاص داده می شود. درست است، تراشه های هیبریدی نیز وجود دارد.

در حالی که یک پردازنده چند هسته ای با سرعت بالا کار می کند، یک پردازنده گرافیکی دارای هسته های پردازنده زیادی است که با سرعت پایین کار می کنند و فقط محاسبات راس و پیکسل را انجام می دهند. ماشینکاری راس عمدتاً حول یک سیستم مختصات می چرخد. GPU با ایجاد فضای سه بعدی روی صفحه و اجازه دادن به اشیا برای حرکت در اطراف آن، وظایف هندسی را انجام می دهد.

پردازش پیکسل پیچیده تر و محاسباتی فشرده تر است. در این مرحله، GPU لایه‌های مختلف را اعمال می‌کند، افکت‌ها را اعمال می‌کند، هر کاری را برای ایجاد بافت‌های پیچیده و گرافیک واقعی انجام می‌دهد. پس از پردازش هر دو فرآیند، نتیجه به صفحه نمایش گوشی هوشمند یا تبلت شما منتقل می شود. همه اینها میلیون ها بار در ثانیه زمانی که شما در حال انجام یک بازی هستید اتفاق می افتد.


البته این داستان در مورد کار پردازنده گرافیکی بسیار سطحی است، اما کافی است یک ایده کلی درست ایجاد کنید و بتوانید با دوستان یا فروشنده لوازم الکترونیکی صحبت کنید یا بفهمید که چرا دستگاه شما در حین بازی اینقدر داغ شده است. . بعداً، قطعاً در مورد مزایای GPU های خاص در کار با بازی ها و وظایف خاص صحبت خواهیم کرد.

بر اساس مواد از AndroidPit

در این مقاله می توانید توضیح دهید که GPU در رایانه یک پردازنده گرافیکی یا همانطور که بسیاری دوست دارند یک کارت گرافیک است. می تواند داخلی یا گسسته باشد. بسته به نوع، می توانید خنک کننده و تغذیه مناسب را انتخاب کنید.

GPU یکپارچه

کارت گرافیک یکپارچه روی مادربرد یا در پردازنده قرار دارد. فقط به این دلیل که GPU در رایانه شما وجود دارد به این معنی نیست که باید بازی ها یا فیلم های سخت را با کیفیت بالا اجرا کنید. واقعیت این است که کارت‌های ویدئویی از این نوع برای کار با برنامه‌های کاربردی ساده که به منابع زیادی نیاز ندارند، طراحی شده‌اند. به علاوه، انرژی زیادی مصرف نمی کنند.

در مورد مقدار حافظه، GPU یکپارچه در رایانه از مقدار و فرکانس RAM برای کار استفاده می کند.

اکثر کاربران از کارت هایی از این نوع فقط برای نصب درایورها بر روی یک کارت گرافیک مجزا استفاده می کنند.

GPU گسسته

نمای مجزا از یک GPU در رایانه - چیست؟ برخلاف پردازنده‌های گرافیکی یکپارچه، کارت‌های ویدئویی گسسته یک ماژول جداگانه هستند که از خود پردازنده، چندین هیت سینک، خنک‌کننده‌های خنک‌کننده، تراشه‌های حافظه، خازن‌ها و در صورت افزایش قدرت، خنک‌کننده آب تشکیل شده‌اند.

چنین کارت های ویدئویی می توانند هم بازی و هم اداری باشند. به عنوان مثال، برای سازنده Invidia، آنها در سری انتشار متفاوت هستند. GT630 یک مدل اداری است و GTX660 مدل بازی نامیده می شود. عدد اول نشان دهنده نسل GPU و دو عدد بعدی نشان دهنده سری است. سری های شماره گذاری شده تا 50 نشان می دهد که تجهیزات اداری هستند و از 50 تا 90 - اینها کارت های بازی هستند. علاوه بر این، هر چه این عدد بیشتر باشد، تراشه کارآمدتر در کارت گرافیک استفاده می شود. پیشوند به شکل حرف "X" به معنای ارائه به دسته بازی است، زیرا چنین کارت های ویدئویی دارای پتانسیل اورکلاک هستند. آنها همچنین به منبع تغذیه اضافی جداگانه نیاز دارند، زیرا منابع آنها انرژی زیادی مصرف می کند. اکنون یک ایده کلی وجود دارد که این GPU در رایانه است.

در مورد Radeon، سیستم شناسایی آنها بسیار ساده است. در یک سیستم چهار رقمی، رقم اول مربوط به نسل، دومی برای سری و دو رقم آخر نشان دهنده توالی مدل است. آنها مسئول تمایز بین نمایندگان اداری و گسسته هستند.

دمای معمولی GPU در کامپیوتر

برای عملکرد عادی، پردازنده باید دمای بهینه را حفظ کند و برای هر جزء دارای دمای خاص خود است. در مورد GPU، دمای کارکرد آن معمولاً از 65 درجه تجاوز نمی کند. تراشه می تواند تا 90 درجه حرارت را تحمل کند، اما بهتر است این اجازه را ندهید، در غیر این صورت اجزای تراشه ویدئو در معرض تخریب هستند.

چندین جزء کارت گرافیک مسئول دمای طبیعی هستند - اینها گریس حرارتی، خنک کننده، رادیاتور و سیستم قدرت هستند.

گریس حرارتی باید به طور مرتب تعویض شود زیرا با گذشت زمان سفت می شود و عملکرد خنک کنندگی خود را از دست می دهد. جایگزینی آن زمان زیادی نمی برد - کافی است بقایای خمیر قدیمی را بردارید و یک خمیر جدید را با دقت اعمال کنید.

یکی دیگر از راه‌های کاهش دمای پردازنده گرافیکی کامپیوتر، انتخاب درست کولرها است. هر کارت گرافیک بازی مجهز به یک تا سه خنک کننده است. هر چه تعداد فن ها بیشتر باشد، هیت سینک ها بهتر خنک می شوند. تا آنجا که به نمایندگان دفتر مربوط می شود، تولید کنندگان عمدتاً روی بردها فقط هیت سینک یا یک خنک کننده قرار می دهند.

قدرت پردازنده گرافیکی

پردازنده‌های گرافیکی مجتمع به برق اضافی نیاز ندارند، اما پردازنده‌های گرافیکی مجزا به منبع تغذیه قوی‌تری نیاز دارند. کارت های گرافیک آفیس با یک واحد 450 وات عملکرد خوبی خواهند داشت. کارت های گرافیک قابل جابجایی به منبع تغذیه بیش از 500 وات نیاز دارند. اگر آن را به درستی انتخاب کنید، می توانید به طور کامل پتانسیل کارت گرافیک را آزاد کنید. علاوه بر این، سیستم خنک کننده یک کارت گرافیک گسسته با منبع تغذیه کافی بهتر عمل می کند.

تغذیه نقش مهمی دارد. بدون GPU، نمایش تصویر روی صفحه غیرممکن است. برای مشاهده نحوه نمایش کارت گرافیک در سیستم، کافی است به کنترل پنل بروید و تب "Video adapters" را باز کنید. اگر پیام «دستگاه شناسایی نشد» نمایش داده شد، باید درایورهای GPU خود را نصب کنید. پس از نصب درایورها، مدل کارت به درستی در سیستم نمایش داده می شود.

CPU و GPU شباهت زیادی به یکدیگر دارند. هر دوی آنها از میلیون ها ترانزیستور ساخته شده اند که قادر به انجام هزاران کار در ثانیه هستند و خود را مناسب می دانند. ولی تفاوت بین cpu و gpu چیست؟?

CPU چیست؟

CPU (واحد پردازش مرکزی) واحد پردازش مرکزی، به عبارت دیگر، "مغز" رایانه است. این مجموعه ای از چندین میلیون ترانزیستور است که می تواند محاسبات پیچیده را انجام دهد. پردازنده استاندارد دارای یک تا چهار هسته با فرکانس 1 تا 4 گیگاهرتز است، هرچند اخیراً.

CPU دستگاهی به اندازه کافی قدرتمند است که می تواند هر کاری را در رایانه انجام دهد. تعداد هسته ها و سرعت کلاک CPU یکی از نکات کلیدی است

GPU چیست؟

GPU (واحد پردازش گرافیک) یک نوع تخصصی از ریزپردازنده است که برای نمایش گرافیک و حل وظایف خاص بهینه شده است. سرعت ساعت GPU به طور قابل توجهی کمتر از CPU است، اما معمولا هسته های بیشتری دارد.

تفاوت بین CPU و GPU چیست؟

GPU فقط می تواند کسری از بسیاری از عملیات CPU را انجام دهد، اما این کار را با سرعتی باورنکردنی انجام می دهد. یک GPU از صدها هسته محاسباتی بلادرنگ برای نمایش هزاران پیکسل بر روی یک مانیتور استفاده می کند. این اجازه می دهد تا گرافیک پیچیده بازی به آرامی نمایش داده شود.

با این حال، CPU ها انعطاف پذیرتر از GPU ها هستند. واحدهای پردازش مرکزی دارای مجموعه دستورالعمل بزرگ تری هستند، بنابراین می توانند طیف وسیع تری از وظایف را انجام دهند. CPU ها در حداکثر فرکانس های بالاتر کار می کنند و می توانند ورودی و خروجی تمام اجزای کامپیوتر را کنترل کنند. CPU ها قادر به مدیریت حافظه مجازی هستند که برای سیستم عامل های مدرن مورد نیاز است، اما GPU ها اینطور نیستند.

کمی در مورد محاسبات GPU

در حالی که GPU ها برای رندر ویدیو بهترین هستند، اما از نظر فنی قادر به انجام کارهای بیشتری هستند. پردازش گرافیکی تنها یکی از انواع کارهای تکراری و بسیار موازی است. سایر وظایف مانند استخراج بیت کوین یا حملات brute-force به همان انواع مجموعه داده های بزرگ و عملیات ریاضی متکی هستند. به همین دلیل است که بسیاری از مردم از GPU ها برای مقاصد «غیر گرافیکی» استفاده می کنند.

نتیجه

CPU ها و GPU ها اهداف مشابهی دارند، اما برای کارهای محاسباتی مختلف بهینه شده اند. این تفاوت بین CPU و GPU است. برای عملکرد مناسب و کارآمد، یک کامپیوتر باید دارای هر دو نوع ریزپردازنده باشد.

سلام دوستان.

آیا دوست دارید بازی های واقع گرایانه را در رایانه خود انجام دهید؟ یا فیلمی را با کیفیتی تماشا کنید که همه چیز کوچک را به وضوح نشان دهد؟ بنابراین، باید تصور کنید که gpu در یک کامپیوتر چیست. آیا چیزی در مورد او نمی دانید؟ مقاله من به شما کمک می کند تا از این سوء تفاهم خلاص شوید ;-).

GPU یک کارت گرافیک نیست

ترکیب حروف که برای بسیاری ناشناخته است، بر مفهوم "واحد پردازش گرافیکی" دلالت دارد که در زبان ما به معنای پردازنده گرافیکی است. این اوست که مسئولیت بازتولید تصویر روی سخت افزار شما را بر عهده دارد و هرچه ویژگی های آن بهتر باشد، تصویر بهتر خواهد بود.

آیا همیشه بر این باور بوده اید که این عملکردها را انجام می دهد؟ البته حق با شماست، اما دستگاه پیچیده ای است و جزء اصلی آن فقط درصد گرافیکی آن است. همچنین می تواند مستقل از vidyuhi وجود داشته باشد. در این مورد کمی بعد صحبت خواهیم کرد.

GPU: نباید با CPU اشتباه گرفته شود

با وجود تشابه کلمات اختصاری، موضوع گفتگوی ما را با (واحد پردازنده مرکزی) اشتباه نگیرید. بله، آنها هم از نظر نام و هم از نظر عملکرد مشابه هستند. دومی می تواند گرافیک را نیز تولید کند، با این حال، در این زمینه ضعیف تر است. با این حال اینها دستگاه های کاملاً متفاوتی هستند.

آنها در معماری متفاوت هستند. CPU یک دستگاه چند منظوره است که وظیفه تمامی فرآیندهای کامپیوتر را بر عهده دارد. برای انجام این کار، او به اندازه کافی تعداد کمی دارد، که با کمک آنها به طور متوالی یک کار را پس از دیگری پردازش می کند.

به نوبه خود، GPU در ابتدا به عنوان یک دستگاه تخصصی برای انجام رندر گرافیکی، پردازش بافت ها و تصاویر پیچیده با سرعت بالا طراحی شد. برای چنین اهدافی، به ساختار چند رشته ای و هسته های متعدد مجهز شد تا بتواند با حجم زیادی از اطلاعات در یک زمان و نه به صورت متوالی کار کند.

با توجه به این مزیت، رهبران تولید کنندگان آداپتورهای ویدئویی مدل هایی را منتشر کرده اند که در آنها پردازنده های گرافیکی می توانند جایگزین بهبود یافته ای برای پردازنده مرکزی شوند. برند nVidia این دستگاه را GTX 10xx و رقیب اصلی آن AMD یعنی RX نامیده است.

انواع فرآیندهای گرافیکی

برای اینکه بتوانید در بازار GPU حرکت کنید، پیشنهاد می کنم با انواع این دستگاه آشنا شوید:

• گسسته. در آداپتور ویدئو گنجانده شده است. از طریق یک کانکتور خاص (اغلب PCIe یا AGP) به مادربرد متصل می شود. حافظه دسترسی تصادفی خود را دارد. آیا شما یک گیمر خواستار هستید یا با ویرایشگرهای گرافیکی پیچیده کار می کنید؟ یک مدل گسسته بگیرید.

• یکپارچه (IGP). قبلاً به مادربرد لحیم شده بود ، اکنون در پردازنده مرکزی تعبیه شده است. در ابتدا برای انجام بازی های واقع گرایانه و برنامه های گرافیکی سنگین مناسب نیست، اما مدل های جدید با این وظایف کنار می آیند. با این حال، به خاطر داشته باشید که این تراشه ها تا حدودی کندتر هستند، زیرا رم شخصی ندارند و به حافظه CPU دسترسی دارند.

• پردازش گرافیکی ترکیبی این 2 در 1 است، یعنی زمانی که هم نوع اول و هم نوع دوم پردازنده گرافیکی در کامپیوتر نصب شده باشد. بسته به وظایف انجام شده، یکی یا دیگری در کار گنجانده می شود. با این حال، لپ تاپ هایی وجود دارند که در آن ها 2 نوع دستگاه می توانند به طور همزمان کار کنند.
• نوع خارجی. همانطور که ممکن است حدس بزنید، این یک پردازنده گرافیکی است که در خارج از کامپیوتر قرار دارد. بیشتر اوقات، این مدل توسط صاحبان لپ تاپ انتخاب می شود که به سختی می توانند یک کارت گرافیک مجزا را در سخت افزار خود قرار دهند، اما واقعاً می خواهند گرافیک مناسبی داشته باشند.

چگونه انتخاب کنیم؟

هنگام انتخاب یک آداپتور ویدیویی برای خود، به ویژگی های زیر توجه کنید:

• فرکانس ساعت بر حسب مگاهرتز نشان داده شده است. هرچه این عدد بیشتر باشد، دستگاه می تواند اطلاعات بیشتری را در هر ثانیه پردازش کند. درست است، نه تنها بر عملکرد آن تأثیر می گذارد. معماری هم مهمه
• تعداد واحدهای محاسباتی آنها طراحی شده اند تا وظایف را انجام دهند - سایه بان های مسئول محاسبات راس، هندسی، پیکسل و همه منظوره.

• سرعت پر کردن (نرخ پر کردن). این پارامتر می تواند نشان دهد که GPU با چه سرعتی می تواند تصویر را ارائه دهد. به 2 نوع تقسیم می شود: نرخ پر شدن پیکسل و نرخ تکسل. اولی تحت تأثیر تعداد واحدهای ROP در ساختار پردازنده است و دومی - توسط واحدهای بافت (TMU).

معمولاً در آخرین مدل‌های GPU، اولین بلوک‌های کمتری وجود دارد. آنها پیکسل های محاسبه شده توسط آداپتور ویدئویی را در بافر می نویسند و آنها را با هم مخلوط می کنند که به آن ترکیبی می گویند. TMU ها بافت ها و سایر اطلاعات مورد نیاز برای تراز صحنه و محاسبات کلی را واکشی و فیلتر می کنند.

بلوک های هندسی

قبلاً هیچ کس به آنها توجه نمی کرد، زیرا بازی های مجازی هندسه ساده ای داشتند. این پارامتر پس از ظهور tessellation در DirectX 11 در نظر گرفته شد. منظورم را متوجه نشدی؟ به ترتیب بریم

این یک محیط (مجموعه ابزار) برای نوشتن بازی است. برای کمک به شما در جهت یابی موضوع، می گویم که آخرین نسخه محصول 12th است که در سال 2015 منتشر شد.

Tessellation تقسیم یک هواپیما به قطعات برای پر کردن آنها با اطلاعات جدید است که واقعیت بازی را افزایش می دهد.

بنابراین، اگر می‌خواهید در اتمسفر Metro 2033، Crysis 2، HAWX 2 و غیره فرو بروید، هنگام انتخاب یک GPU، تعداد بلوک‌های هندسی را در نظر بگیرید.

حافظه

آیا می خواهید یک کارت گرافیک جدید تهیه کنید؟ این بدان معنی است که شما باید چند ویژگی دیگر از RAM را در نظر بگیرید:

• جلد. اهمیت RAM تا حدودی بیش از حد برآورد شده است، زیرا نه تنها ظرفیت آن، بلکه نوع و ویژگی های آن نیز بر عملکرد کارت تأثیر می گذارد.
• عرض لاستیک. این پارامتر مهم تری است. هرچه گسترده تر باشد، حافظه می تواند اطلاعات بیشتری را در یک زمان معین به تراشه ارسال کند و بالعکس. برای اجرای بازی ها حداقل 128 بیت مورد نیاز است.
• فرکانس. همچنین میزان توان رم را تعیین می کند. اما به خاطر داشته باشید که حافظه با گذرگاه 256 بیتی و فرکانس 800 (3200) مگاهرتز نسبت به 128 بیت در 1000 (4000) مگاهرتز پربازده تر است.
• یک نوع. من شما را با اطلاعات غیر ضروری بار نمی آورم، اما فقط انواع بهینه را برای امروز نام می برم - اینها نسل 3 و 5 GDDR هستند.

کمی در مورد خنک کننده

آیا قصد نصب یک تراشه قدرتمند را دارید؟ فورا مراقب سرمایش اضافی به شکل رادیاتور، کولر باشید و اگر قرار است به طور منظم تمام آب های دستگاه را فشار دهید، ممکن است به فکر یک سیستم مایع باشید.

به طور کلی، مراقب دمای vidyuhi باشید. این برنامه می تواند به شما در این زمینه کمک کند. GPU-Zو غیره، که علاوه بر این پارامتر، همه چیز را در مورد دستگاه خواهد گفت.

البته کارت‌های ویدئویی مدرن مجهز به سیستم محافظی هستند که به نظر نمی‌رسد اجازه گرمای بیش از حد را بدهد. محدودیت دما برای مدل های مختلف متفاوت است. به طور متوسط، 105 درجه سانتیگراد است، پس از آن آداپتور خود را خاموش می کند. اما بهتر است دستگاه گران قیمت را ذخیره کنید و خنک کننده کمکی را فراهم کنید.