gpu
学习数据集训练时，电脑没有GPU，所以当时训练时用的是cpu，也没有意识到两者之间在训练数据集有什么差别，直到在一次训练过程中，着重看了一下训练过程，才发现，训练时间是真的差距大。
接下来就给大家讲一下，这两个具体有什么差别。
一、GPU和CPU是什么？
CPU:中央处理器（英文Central Processing Unit）是一台计算机的运算核心和控制核心。CPU、内部存储器和输入/输出设备是电子计算机三大核心部件。其功能主要是解释计算机指令以及处理计算机软件中的数据。
GPU:英文全称Graphic Processing Unit，中文翻译为“图形处理器”。一个专门的图形核心处理器。GPU是显示卡的“大脑”，决定了该显卡的档次和大部分性能，同时也是2D显示卡和3D显示卡的区别依据。2D显示芯片在处理3d图像和特效时主要依赖CPU的处理能力，称为“软加速”。3D显示芯片是将三维图像和特效处理功能集中在显示芯片内，也即所谓的“硬件加速”功能。
二、GPU与CPU有什么区别？
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。主要区别如下。
CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又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。
于是CPU和GPU就呈现出非常不同的架构。
GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了cache。而CPU不仅被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是CPU很小的一部分。
CPU 基于低延时的设计：
CPU有强大的ALU（算术运算单元）,它可以在很少的时钟周期内完成算术计算。
当今的CPU可以达到64bit 双精度。执行双精度浮点源算的加法和乘法只需要1～3个时钟周期。CPU的时钟周期的频率是非常高的，达到1.532～3gigahertz(千兆HZ, 10的9次方).大的缓存也可以降低延时。保存很多的数据放在缓存里面，当需要访问的这些数据，只要在之前访问过的，如今直接在缓存里面取即可。
复杂的逻辑控制单元。当程序含有多个分支的时候，它通过提供分支预测的能力来降低延时。数据转发。 当一些指令依赖前面的指令结果时，数据转发的逻辑控制单元决定这些指令在pipeline中的位置并且尽可能快的转发一个指令的结果给后续的指令。这些动作需要很多的对比电路单元和转发电路单元。
GPU是基于大的吞吐量设计。
GPU的特点是有很多的ALU和很少的cache. 缓存的目的不是保存后面需要访问的数据的，这点和CPU不同，而是为thread提高服务的。如果有很多线程需要访问同一个相同的数据，缓存会合并这些访问，然后再去访问dram（因为需要访问的数据保存在dram中而不是cache里面），获取数据后cache会转发这个数据给对应的线程，这个时候是数据转发的角色。但是由于需要访问dram，自然会带来延时的问题。
GPU的控制单元（左边黄色区域块）可以把多个的访问合并成少的访问。
GPU的虽然有dram延时，却有非常多的ALU和非常多的thread. 为啦平衡内存延时的问题，我们可以中充分利用多的ALU的特性达到一个非常大的吞吐量的效果。尽可能多的分配多的Threads.通常来看GPU ALU会有非常重的pipeline就是因为这样。所以与CPU擅长逻辑控制，串行的运算。和通用类型数据运算不同，GPU擅长的是大规模并发计算，这也正是密码破解等所需要的。所以GPU除了图像处理，也越来越多的参与到计算当中来。
上面说的有点专业化，接下来就简单说一下，他们两个到底差在哪？
CPU（Central Processing Unit）是电脑最主要的部件，他的主要功能是解释计算机指令以及处理计算机软件中的数据，说白了就是做指挥工作，统筹各方面。CPU相当于整个电脑的心脏，而GPU相当于显卡的心脏。
普通的处理器CPU差不多双核心四线程，目前市面上最高端的桌面处理器i9-7980XE（RMB1.5万）不过十八核心三十六线程。GPU则不同，就拿普通的2000块的游戏显卡rx 480来说，rx480的GPU芯片计算单元划分为36个CU计算核心，每个CU核心又包含了64个流处理器计算核心，所以总共就是36X64=2304个流处理器计算核心。
CPU相对于GPU就像老教授和小学生，拿i9-7980XE和RX480举个例子，出一套小学数学试卷，老教授刚做一道题，两千多名学生一人一题早就交卷子了。如果套高数卷子，老教授做完学生们一道也不会做。
三、训练神经网络GPU优于CPU
很多个简单的工作，交给GPU显然更适合。
其实在早期，神经网络都是用CPU训练的。即使现在，像TensorFlow这样的流行框架也支持在CPU上运行。那么，既然CPU和GPU都可以训练神经网络，为什么一般用GPU训练神经网络？很简单，因为GPU比CPU快很多。比如，Victor Dibia（IBM研究院Research Staff Member）基于Tensorflow框架训练了一个实时检测手部的网络。
训练这样一个神经网络要花多久？CPU上大约要12天，而GPU上则是5小时。（我们这里不讨论具体的型号，关键是两者的比例。CPU和GPU的差距太大了）。
而且，实际上这个神经网络的训练时间已经通过迁移学习大大缩短了。迁移学习指直接拿训练好的图像分类的模型来用，只是重新训练最后一层或几层网络以检测手部，所以能快很多。那如果从头开始训练的话（有的时候没有现成的模型可供迁移），可能要几周甚至几个月。这还是GPU的情况。
按照上面的比例，换算成CPU，那基本上就太慢太慢，慢到不现实的程度。GPU之所以比CPU快好多，主要是因为，从运算的角度来看，神经网络主要是由大量的浮点矩阵构成的。而现代的神经网络，可能有几千到几百万的浮点矩阵（所谓深度学习），因此需要很大的内存带宽来访问这些海量的浮点矩阵。而GPU的内存带宽比CPU高很多。比如Intel的Core i9-7980XE内存带宽约为57GB/s，而NVIDIA的Tesla P100带宽高达900GB/s。
使用神经网络训练，一个最大的问题就是训练速度的问题，特别是对于深度学习而言，过多的参数会消耗很多的时间，在神经网络训练过程中，运算最多的是关于矩阵的运算，这个时候就正好用到了GPU，GPU本来是用来处理图形的，但是因为其处理矩阵计算的高效性就运用到了深度学习之中。
相关阅读
本篇结构： 前言 平台模型 执行模型 内存模型 编程模型 参考资料 一、前言 “模型”是对现实世界的一个抽象，它对现实世界的进行简
有时电脑突然无法打开NVIDIA控制面板了，提示NVIDIA显示设置不可用你当前未连接GPU显示器，其实也是比较容易的，今天我们就来看看Nvidi
怎么看显卡好坏呢？很多朋友除了可以通过查看显卡参数或者查看显卡天梯图外，还可以借助专业的GPU-Z工具查看显卡好坏。借助GPU-Z主要