©2020-2024 ioDraw All rights reserved,
Privacy Policy
<>1. CPU vs GPU
大家可以简单的将CPU理解为学识渊博的教授，什么都精通；而GPU则是一堆小学生，只会简单的算数运算。可即使教授再神通广大，也不能一秒钟内计算出500次加减法。因此，对简单重复的计算来说，单单一个教授敌不过数量众多的小学生。在进行简单的算数运算这件事上，500个小学生（并发）可以轻而易举打败教授。
可以看到，CPU和GPU的最大不同在于架构。CPU适用于广泛的应用场景（学识渊博），可以执行任意程序；而GPU则专为多任务而生，并发能力强。
具体来讲，就是多核，一般的CPU有2核、4核、8核等；而GPU则可能会有成百上千核
GPU构造与CPU相似，包含控制单元(control
unit)、算术逻辑单元(ALU)、快取(cache)及动态随机存取记忆体(DRAM)等元件。差别在于，GPU的控制单元、ALU及快取设计较为简易，且数量较多，导致GPU擅于处理大量简单的工作（例如渲染图像）
可以看到，CPU内部cache以及控制部分占据了很大一部分片上面积，因此计算单元占比很少。GPU只有很简单的控制单元，剩下的大部分都被计算单元占据，因此CPU的核数有限，而GPU则轻松堆出上千核。只不过CPU中每个核的能力好比教授，而GPU的每个核的能力好比一个小学生。
为什么GPU需要这么多核心？
想一想计算机上的一张图是怎么表示的？无非就是屏幕上的一个个像素：
我们需要为每个像素进行计算，而且是相同的运算，就好比刚才例子中的小学生计算计加法一样。
对于屏幕来说一般会有上百万个像素，如果我们要串行的为每一个像素进行运算效率就太低了。因此可以让GPU中的每一个核心去为相应的像素进行计算。由于GPU中有很多核心，因此并行计算可以大幅提高速度。除了GPU的核心数比较多之外，GPU的工作方式也比较奇怪。
GPU的工作方式：
对于CPU来说，不同的核心可以执行不同的机器指令，coreA在运行word线程的同时coreB上可以运行浏览器线程，这就是所谓的多指令多数据，MIMD（Multiple
Instruction, Multiple Data）
而GPU则不同，GPU上的这些核心必须整齐划一的运行相同的机器指令，只是可以操作不同的数据，这就好比这些小学生在某个时刻必须都进行加法计算，不同的地方在于有的小学生可能需要计算1+1，有的要计算2+6等等，变化的地方仅在于操作数，这就是所谓的单指令多数据，SIMD（Single
Instruction, Multiple Data）
因此，我们可以看到GPU的工作方式和CPU是截然不同的。
除了这种工作方式之外，GPU的指令集还非常简单，不像CPU这种复杂的处理器。如果你去看CPU的编程手册就会发现CPU负责的事情非常多，如中断处理、内存管理、IO等。这些对于GPU来说都是不存在的，可以看到GPU的定位非常简单，就是纯计算，GPU绝不是用来取代CPU的，CPU只是把一些GPU非常擅长的事情交给它，GPU仅仅是用来分担CPU工作的配角。
GPU擅长什么？
比较适合GPU的计算场景是这样的：计算简单、重复计算，因此如果你的计算场景和这里的图像渲染相似那么使用GPU就很合理了。因此对于图形图像计算、天气预报以及神经网络等都适用于GPU
难倒CPU的问题，就是当它被交付大量的琐碎工作，虽然它能够处理，却会浪费太多宝贵时间；大材小用，就像米其林主厨被派去夜市炸鸡排，耽搁了高档餐厅的业务。相较下，GPU的控制单元与ALU设计简单、快取空间较小，拥有大量核心数及比较高的吞吐量，适合快速处理简单的运算，而GPU除了渲染图像之外，GPU在需要密集资料运算的领域也崭露头角，比如在大数据分析、机器学习、AI人工智慧发展等方面，GPU已成为推动电脑科学向前迈进的重要功臣。
<>2. FPGA
FPGA是什么呢？
FPGA（Field Programmable Gate
Array），即现场可编程门阵列，它可以通过硬件描述语言（Verilog或VHDL）描述一个电路设计，通过配套的EDA工具综合与布局，并烧录至
FPGA来实现设计需要
目前所有的FPGA或eFPGA都包含大量的可编程逻辑单元和可编程布线单元。逻辑单元可以实现一小部分数字逻辑，而布线则连接这些逻辑单元来组成更大的数字电路。
FPGA的基本原理：按照门电路的组合逻辑和时序逻辑，利用查找表（Look-Up-Table，简称LUT），实现快速的数据计算。
可编程逻辑单元：
数字电路可以细分为组合逻辑和时序逻辑。
FPGA中实现组合逻辑的部分就是查找表（LUT），时许逻辑则依靠寄存器。若干个LUT和寄存器相互连接则构成了一个逻辑簇。不同的FPGA公司所定义的逻辑簇的结构也是不同的。
逻辑簇结构有2大好处，第一逻辑簇中的互联速度要快，可以提高FPGA速度； 第二， 逻辑簇的应用可以简化排版布线的复杂度，缩短综合时间。
可编程布线单元：
与定制电路不同， FPGA的布线资源都是预制好的， 因此预制的布线资源能够连接绝大多数的逻辑单元（簇）。
对于用户设计好的项目，通过控制一系列的开关来满足特定单元间的互联。 这也就使得布线资源占据了FPGA的绝大部分面积，
而且复杂的布线网络中控制开关过多的话会大大降低FPGA的运行频率。如果减少布线资源， 则会加大EDA软件算法的难度，而且会导致电路布局布线失败。
因此如何设计逻辑簇和与之配合的布线资源，使其达到速度和面积的均衡，而且还要考虑到EDA软件算法的难度，执行时间以及内存占用，
这是每个FPGA厂商的核心中的核心
CPU的难点是其硬件结构，软件指令集则不是厂家的主要难点。 而FPGA的硬件结构原理并不是主要技术壁垒，但是其EDA软件的核心算法则是每个公司的长期积累的成果
CPU vs GPU vs FPGA：