gpu通用计算调研报告1、gpu通用计算的背景和动机.pdfVIP

GPU 通用计算调研报告 东南大学 杨春山 revised by 同济大学 程微宏 摘要：NVIDIA 公司在1999 年发布GeForce256 时首先提出 GPU（图形处理器）的概念，随后 大量复杂的应用需求促使整个产业蓬勃发展至今。GPU 在这十多年的演变过程中，我们看到 GPU 从最初帮助 CPU 分担几何吞吐量，到 Shader（着色器）单元初具规模，然后出现 Shader 单元可编程性，到今天 GPU 通用计算领域蓬勃发展这一清晰轨迹。本报告首先根据搜集到的 资料记录 GPU 通用计算的发展过程中硬件和软件的演变，然后介绍并简要比较现在比较流行 的 GPU 通用计算编程模型，最后对 GPU 通用计算在不同领域的成功应用进行概述。 关键词：GPU GPU 通用计算 可编程单元 编程模型 GPGPU应用 1、GPU 通用计算的背景和动机 GPU 英文全称 Graphic Processing Unit，中文翻译为“图形处理器”。GPU 从诞生之 日起就以超越摩尔定律的速度发展，运算能力不断提升。业界很多研究者注意到 GPU进行计 算的潜力，于2003年SIGGRAPH大会上提出了GPGPU（General-purpose computing on graphics processing units ）的概念。GPU 逐渐从由若干专用的固定功能单元（Fixed Function Unit ）组 成的专用并行处理器向以通用计算资源为主，固定功能单元为辅的架构转变。 1.1 为什么要用 GPU 进行计算 GPU 在处理能力和存储器带宽上相对于 CPU 有明显优势，在成本和功耗上也不需要 付出太大代价。由于图形渲染的高度并行性，使得 GPU 可以通过增加并行处理单元和存储 器控制单元的方式提高处理能力和存储器带宽。GPU 设计者将更多的晶体管用作执行单元， 而不是像 CPU 那样用作复杂的控制单元和缓存并以此来提高少量执行单元的执行效率[1]。 图 1 对 CPU 与 GPU 中的逻辑架构进行了对比。 图 1 CPU和GPU逻辑架构对比 CPU 的整数计算、分支、逻辑判断和浮点运算分别由不同的运算单元执行，此外还有 一个浮点加速器。因此，CPU 面对不同类型的计算任务会有不同的性能表现。而 GPU 是由 同一个运算单元执行整数和浮点计算，因此，GPU 的整型计算能力与其浮点能力相似。目 前，主流 GPU 都采用了统一架构单元，凭借强大的可编程流处理器阵容，GPU 在单精度浮 点运算方面将 CPU 远远甩在身后[1]。最顶级的英特尔Core i7 965 处理器，在默认情况下， 它的浮点计算能力只有 NVIDIA GeForce GTX 280 的 1/13，与AMD Radeon HD 4870 相比 差距就更大。 图2 CPU 和 GPU 的每秒浮点运算次数和存储器带宽 GPU 运算相对于 CPU 还有一项巨大的优势，那就是其内存子系统，也就是 GPU 上的 显存[1]。当前桌面级顶级产品 3 通道 DDR3-1333 的峰值是 32GB/S，实测中由于诸多因素 带宽在 20 GB/S 上下浮动。AMD HD 4870 512MB 使用了带宽超高的 GDDR5 显存，内存总 线数据传输率为 3.6T/s 或者说 107GB/s 的总线带宽。NVIDIA GTX280 使用了高频率 GDDR3 显存，但是其显存控制器支持的位宽达到了 512bit，搭载 16 颗 0.8ns GDDR3 显存，带宽高 达惊人的 142GB/s。而主流GPU 普遍拥有 40-60 GB/s 显存带宽。存储器的超高带宽让巨大 的浮点运算能力得以稳定吞吐，也为数据密集型任务的高效运行提供了保障。 还有，从 GTX200 和 HD 4870 系列 GPU 开始，AMD 和 NVIDIA 两大厂商都开始提供 对双精度运算的支持，这正是不少应用领域的科学计算都需要的。NVIDIA 公司最新的 Fermi 架构更是将全局 ECC （Error Checking and Correcting ）、可读写缓存、分支预测等技术引入 到 GPU 的设计中，明确了将GPU 作为通用计算核心的