GPU

人工智能引领2018年中国GPU服务器市场高速增长

IDC《2018年下半年中国AI基础架构市场跟踪报告》显示,2018年下半年中国GPU服务器市场规模为7.8亿美金(约合人民币53.8亿元),同比增长107.3%。 2018年全年中国GPU服务器市场规模为13.05亿美金(约合人民币90.05亿元),同比增长131.2%。

深度学习框架只为GPU? 答案在这里

目前大多数的机器学习是在处理器上完成的,大多数机器学习软件会针对GPU进行更多的优化,甚至有人认为学习加速必须在GPU上才能完成,但事实上无论是运行机器学习的处理器还是优化的深度学习框架,都不单只针对GPU,代号为“Skylake”的英特尔至强SP处理器就证明了这一点。

CPU和GPU擅长和不擅长的地方

CPU和GPU都是具有运算能力的芯片,CPU更像“通才”——指令运算(执行)为重+ 数值运算,GPU更像“专才”——图形类数值计算为核心。在不同类型的运算方面的速度也就决定了它们的能力——“擅长和不擅长”。

芯片的速度主要取决于三个方面:微架构、主频、IPC(每个时钟周期执行的指令数)。

1.微架构

PC的主板是如何给CPU和GPU供电的?

就如电源是PC的心脏一样,主板和显卡上的供电模块也是它们各自的心脏,搭载在身上的各种芯片能否正常工作,就看它们的供电电路是否足够强悍了。因此,在我们的显卡和主板评测中,它们的供电模块会是一个很重要的评分项目。那么主板和显卡上的供电模块由什么元件组成,又是如何工作的呢?今天我们就来扒一扒那些关于板卡供电模块的二三事。

【工程师必看】GPU与CPU的性能对比

CPU和GPU之所以大不相同,是由于其设计目标的不同,它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型,同时又要逻辑判断,还会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂,而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。

瞄准图形应用MCU市场空缺,Microchip发布内建GPU的PIC32MZ DA

目前大部分电子产品在用户体验升级方面通常从交互方式入手,而通常的思路就是将传统按键交互来使用GUI来替代。

工程师应烂熟于心的GPU与CPU的性能对比

CPU和GPU之所以大不相同,是由于其设计目标的不同,它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型,同时又要逻辑判断,还会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂,而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。

理论与现实的差异,多核心芯片软开发瓶颈何在?

随着手机市场竞争的白热化,手机芯片设计商为了创造出差异性,发布了 8 核心以上的 CPU。让手机芯片的核心数量一举超越主流笔电的 2 或 4 核心。然而,我们是否真的需要如此多的核心?是什么原因让我们无法彻底地发挥 CPU 的真本事?