今天我们就来简单说说CPU和GPU的区别。

CPU的故事我们讲了很多，之前也发了很多关于CPU的文章，这里就重点讲一下GPU。

教授vs小学生可以简单的把CPU理解为一个什么都精通的知识渊博的教授；GPU则是一堆只会简单算术的小学生。

但教授再厉害，也不可能一秒钟算出500个加减法。所以对于简单重复的计算，单个教授比不上一大批小学生。在做简单的算术时，500个学生(同时)能轻而易举地胜过教授。

我们可以看到CPU和GPU最大的区别在于架构。CPU适用于广泛的应用场景(知识性)，可以执行任意程序；而GPU则是为多任务设计的，并发性强。

具体来说就是多核，一般CPU有2核、4核、8核等。而GPU可能有数百或数千个内核。

可以看出，CPU的内部缓存和控制部分占据了很大一部分片上面积，所以计算单元所占比例很小。

***1V1嵌入式学习计划，现在还送100G精选学习资料。嵌入式物联网开发学习咨询

接下来，我们来看看GPU。GPU只有一个简单的控制单元，其余大部分都被计算单元占用，所以CPU核的数量是有限的，而GPU可以轻松堆出上千个核。

只是CPU里的每个核都像教授一样能干，而GPU里的每个核都像小学生一样能干。

你可能会想，GPU为什么需要这么奇怪的架构？

为什么GPU需要那么多核心？想想电脑上的一张图片是怎么表现的。无非是屏幕上的一个像素:

我们需要对每个像素进行计算，而且是同样的操作，就像刚才例子中的小学生计算器加法一样。

注意，屏幕上通常有几百万个像素，如果要把每个像素都串联起来计算，效率太低。因此，我们可以让GPU中的每个内核计算对应的像素。因为GPU的核很多，并行计算可以大大提高速度。

现在你应该明白GPU为什么是这样工作的了吧！

除了大量的GPU核心，GPU的工作方式也很奇怪。

奇怪的工作模式对于CPU来说，不同的核心可以执行不同的机器指令。coreA可以在coreB上运行浏览器线程，同时运行word线程。这就是所谓的MIMD(多指令多数据(MIMD))。

另一方面，GPU不一样。GPU上的这些核心必须统一运行相同的机器指令，但可以操作不同的数据。这就好比这些小学生在某个时刻要进行加法运算。不同的是有的小学生可能需要算“1，有的小学生需要算”6等等。唯一的变化是操作数。这就是所谓的SIMD(单指令多数据(SIMD))。

所以我们可以看到GPU的工作方式和CPU完全不同。

除了这种工作方式，GPU的指令集非常简单，不像CPU这样复杂的处理器。如果你看看CPU的编程手册，你会发现CPU负责很多事情:中断处理、内存管理、IO等等。

这些对于GPU来说是不存在的。可见GPU的定位很简单，就是纯计算。GPU***用来代替CPU，只是赋予了它一些GPU很擅长的东西，GPU只是用来分担CPU工作的配角。

CPU和GPU是这样协同工作的:

GPU擅长的更适合GPU计算场景:1)简单计算；2)重复计算，所以如果你的计算场景和这里的图像渲染差不多，用GPU也是合理的。

因此，它适用于图形图像计算、天气预报和神经网络。哦，对了，GPU也适合挖矿。

好了，今天就到这里。希望这篇文章能帮助你了解GPU。

结束

文章链接:https://mp.weixin.qq.com/s/t38ax6e0ZY8KAnCC2qPUYQ

转载自:嵌入式微处理器

文章来源:码农的荒岛求生，作者陆晓峰。

文章链接:有趣的解释:CPU和GPU有什么区别？

版权声明:本文来自网络，免费传递知识，版权归原作者所有。请联系我删除作品版权。