gpu演算法

1. GPU和顯卡裡面的計算核心有什麼區別

首先請理清幾個概念，不要搞錯了。

GPU，通俗來講就是顯卡身上的「CPU」，負責圖形計算的晶元，每塊顯卡身上必定有一顆GPU晶元才能稱之為顯卡，無論集成顯卡、核心顯卡、獨立顯卡，其主體都是一顆GPU晶元（頂級雙芯顯卡有兩顆，但並沒有你誤會的那樣有11顆GPU晶元的顯卡，那是名稱上搞錯了，我們下面再談）。GPU決定著顯卡的性能、功能、檔次、價格、以及功耗發熱。

GPU既然是類似CPU那樣的計算晶元，那麼其架構設計就影響著性能、效率、功耗等指標，並且和CPU一樣其晶元架構主要由計算單元、控制單元、儲存單元組成，以北極星架構的RX480為例，GPU晶元架構圖如下：

（上圖大體劃出了三類單元的集中地，以便理解，但實際上光是計算單元里的每個小單元也都獨立包含著控制單元和儲存單元）

RX480的GPU晶元內部設計如上圖，計算單元劃分為36個CU計算核心，每個CU核心又包含了64個流處理器計算核心，所以總共就是36X64=2304個流處理器計算核心。人們通常把流處理器的數量做為計算核心計數，很少以CU來算。

很多初學者只看到計算核心幾個字，並不了解實際指的是哪類「核心」，就很容易搞錯了。

比如R5 2400G里的集成顯卡GPU部分，包含了11個CU核心，每個CU又包含了64個流處理器，所以總共就是11X64=704個計算核心，並不是你誤認為的11個GPU核心。

2. GPU-Z的計算公式

GPU-Z中像素填充率、紋理填充率、顯存帶寬的計算公式：
(1)像素填充率是指顯卡在每個單位時間內所能渲染的像素數量，單位是GPixel/s（每秒十億像素）
像素填充率（Pixel Fillrate）=核心頻率(GPU Clock)×光柵單元數目/1000
費米框架得顯卡像素填充率（Pixel Fillrate）=SM陣列×2×核心頻率
(2)紋理填充率是指顯卡在每個單位時間內所能處理的紋理貼圖數量，單位是GTexel/s（每秒十億紋理）
紋理填充率（Texture Fillrate）=核心頻率(GPU Clock)×紋理單元數目/1000
(3)顯存位寬是指顯存在一個時鍾周期內所能傳送數據的位元組數，單位是GB/s（每秒十億位元組）
顯存帶寬（Band width）=顯存位寬(Bus Width)×顯存等效頻率/8
以如圖Geforce GTX670為例，核心頻率1059MHz，顯存頻率1502MHz，光柵單元32個，紋理單元112個，
像素填充率（Pixel Fillrate）=16×2×0.608=19.456GPixel/S
紋理填充率（Texture Fillrate）= 608×64/1000 = 38.912 GTexel/s
顯存帶寬（Band width）= 384×(854×4)/8 = 163.968 GB/s
注意：計算顯存帶寬時要留意顯存類型(Memory Type)，對於GDDR1/2/3/4顯存，其數據匯流排都是採用的DDR技術(通過差分時鍾在上升沿和下降沿都進行數據傳輸，其一個周期傳輸兩次數據，相當於SDRAM頻率的2倍)，故其顯存等效頻率=顯存頻率×2；而GDDR5則不同，它有兩條數據匯流排，相當於Rambus的QDR技術，傳輸能力相當於SDRAM頻率的4倍，所以顯存等效頻率=顯存頻率×4.

3. GPU演算法工程師是做什麼的

一、演算法工程師簡介（通常是月薪15k以上，年薪18萬以上，只是一個概數，具體薪資可以到招聘網站如拉鉤，獵聘網上看看）演算法工程師目前是一個高端也是相對緊缺的職位；演算法工程師包括音/視頻演算法工程師（通常統稱為語音/視頻/圖形開發工程師）、圖像處理演算法工程師、計算機視覺演算法工程師、通信基帶演算法工程師、信號演算法工程師、射頻/通信演算法工程師、自然語言演算法工程師、數據挖掘演算法工程師、搜索演算法工程師、控制演算法工程師（雲台演算法工程師，飛控演算法工程師，機器人控制演算法）、導航演算法工程師（@之介感謝補充）、其他【其他一切需要復雜演算法的行業】專業要求：計算機、電子、通信、數學等相關專業；學歷要求：本科及其以上的學歷，大多數是碩士學歷及其以上；語言要求：英語要求是熟練，基本上能閱讀國外專業書刊，做這一行經常要讀論文；必須掌握計算機相關知識，熟練使用模擬工具MATLAB等，必須會一門編程語言。演算法工程師的技能樹（不同方向差異較大，此處僅供參考）1 機器學習2 大數據處理：熟悉至少一個分布式計算框架Hadoop/Spark/Storm/ map-rece/MPI3 數據挖掘4 扎實的數學功底5 至少熟悉C/C++或者java，熟悉至少一門編程語言例如java/python/R加分項：具有較為豐富的項目實踐經驗（不是水論文的哪種）二、演算法工程師大致分類與技術要求（一）圖像演算法/計算機視覺工程師類包括圖像演算法工程師，圖像處理工程師，音/視頻處理演算法工程師，計算機視覺工程師要求l 專業：計算機、數學、統計學相關專業；l 技術領域：機器學習，模式識別l 技術要求：（1） 精通DirectX HLSL和OpenGL GLSL等shader語言，熟悉常見圖像處理演算法GPU實現及優化；（2） 語言：精通C/C++；（3） 工具：Matlab數學軟體，CUDA運算平台，VTK圖像圖形開源軟體【醫學領域：ITK，醫學圖像處理軟體包】（4） 熟悉OpenCV/OpenGL/Caffe等常用開源庫；（5） 有人臉識別，行人檢測，視頻分析，三維建模，動態跟蹤，車識別，目標檢測跟蹤識別經歷的人優先考慮；（6） 熟悉基於GPU的演算法設計與優化和並行優化經驗者優先；（7） 【音/視頻領域】熟悉H.264等視頻編解碼標准和FFMPEG，熟悉rtmp等流媒體傳輸協議，熟悉視頻和音頻解碼演算法，研究各種多媒體文件格式，GPU加速；應用領域：（1） 互聯網：如美顏app（2） 醫學領域：如臨床醫學圖像（3） 汽車領域（4） 人工智慧相關術語：（1） OCR：OCR （Optical Character Recognition，光學字元識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上列印的字元，通過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成計算機文字的過程（2） Matlab：商業數學軟體；（3） CUDA： (Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平台（由ISA和GPU構成）。 CUDA™是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決復雜的計算問題（4） OpenCL: OpenCL是一個為異構平台編寫程序的框架，此異構平台可由CPU，GPU或其他類型的處理器組成。（5） OpenCV：開源計算機視覺庫；OpenGL：開源圖形庫；Caffe：是一個清晰，可讀性高，快速的深度學習框架。（6） CNN：（深度學習）卷積神經網路（Convolutional Neural Network）CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。（7） 開源庫：指的是計算機行業中對所有人開發的代碼庫，所有人均可以使用並改進代碼演算法。（二）機器學習工程師包括機器學習工程師要求l 專業：計算機、數學、統計學相關專業；l 技術領域：人工智慧，機器學習l 技術要求：（1） 熟悉Hadoop/Hive以及Map-Rece計算模式，熟悉Spark、Shark等尤佳；（2） 大數據挖掘；（3） 高性能、高並發的機器學習、數據挖掘方法及架構的研發；應用領域：（1）人工智慧，比如各類模擬、擬人應用，如機器人（2）醫療用於各類擬合預測（3）金融高頻交易（4）互聯網數據挖掘、關聯推薦（5）無人汽車，無人機相關術語：（1） Map-Rece：MapRece是一種編程模型，用於大規模數據集（大於1TB）的並行運算。概念"Map（映射）"和"Rece（歸約）"，是它們的主要思想，都是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。（三）自然語言處理工程師包括自然語言處理工程師要求l 專業：計算機相關專業；l 技術領域：文本資料庫l 技術要求：（1） 熟悉中文分詞標注、文本分類、語言模型、實體識別、知識圖譜抽取和推理、問答系統設計、深度問答等NLP 相關演算法；（2） 應用NLP、機器學習等技術解決海量UGC的文本相關性；（3） 分詞、詞性分析、實體識別、新詞發現、語義關聯等NLP基礎性研究與開發；（4） 人工智慧，分布式處理Hadoop；（5） 數據結構和演算法；應用領域：口語輸入、書面語輸入、語言分析和理解、語言生成、口語輸出技術、話語分析與對話、文獻自動處理、多語問題的計算機處理、多模態的計算機處理、信息傳輸與信息存儲 、自然語言處理中的數學方法、語言資源、自然語言處理系統的評測。相關術語：（2） NLP：人工智慧的自然語言處理，NLP (Natural Language Processing) 是人工智慧（AI）的一個子領域。NLP涉及領域很多，最令我感興趣的是「中文自動分詞」（Chinese word segmentation）：結婚的和尚未結婚的【計算機中卻有可能理解為結婚的「和尚「】（四）射頻/通信/信號演算法工程師類包括3G/4G無線通信演算法工程師， 通信基帶演算法工程師，DSP開發工程師（數字信號處理），射頻通信工程師，信號演算法工程師要求l 專業：計算機、通信相關專業；l 技術領域：2G、3G、4G，BlueTooth（藍牙），WLAN，無線移動通信, 網路通信基帶信號處理l 技術要求：（1） 了解2G，3G，4G，BlueTooth，WLAN等無線通信相關知識，熟悉現有的通信系統和標准協議，熟悉常用的無線測試設備；（2） 信號處理技術，通信演算法；（3） 熟悉同步、均衡、信道解碼等演算法的基本原理；（4） 【射頻部分】熟悉射頻前端晶元，扎實的射頻微波理論和測試經驗，熟練使用射頻電路模擬工具（如ADS或MW或Ansoft）；熟練使用cadence、altium designer PCB電路設計軟體；（5） 有扎實的數學基礎，如復變函數、隨機過程、數值計算、矩陣論、離散數學應用領域：通信VR【用於快速傳輸視頻圖像，例如樂客靈境VR公司招募的通信工程師（數據編碼、流數據）】物聯網，車聯網導航，軍事，衛星，雷達相關術語：（1） 基帶信號：指的是沒有經過調制（進行頻譜搬移和變換）的原始電信號。（2） 基帶通信（又稱基帶傳輸）：指傳輸基帶信號。進行基帶傳輸的系統稱為基帶傳輸系統。傳輸介質的整個信道被一個基帶信號佔用.基帶傳輸不需要數據機，設備化費小，具有速率高和誤碼率低等優點,.適合短距離的數據傳輸，傳輸距離在100米內，在音頻市話、計算機網路通信中被廣泛採用。如從計算機到監視器、列印機等外設的信號就是基帶傳輸的。大多數的區域網使用基帶傳輸，如乙太網、令牌環網。（3） 射頻：射頻（RF）是Radio Frequency的縮寫，表示可以輻射到空間的電磁頻率（電磁波），頻率范圍從300KHz～300GHz之間（因為其較高的頻率使其具有遠距離傳輸能力）。射頻簡稱RF射頻就是射頻電流，它是一種高頻交流變化電磁波的簡稱。每秒變化小於1000次的交流電稱為低頻電流，大於10000次的稱為高頻電流，而射頻就是這樣一種高頻電流。高頻(大於10K)；射頻（300K-300G）是高頻的較高頻段；微波頻段（300M-300G）又是射頻的較高頻段。【有線電視就是用射頻傳輸方式】（4） DSP：數字信號處理，也指數字信號處理晶元（五）數據挖掘演算法工程師類包括推薦演算法工程師，數據挖掘演算法工程師要求l 專業：計算機、通信、應用數學、金融數學、模式識別、人工智慧；l 技術領域：機器學習，數據挖掘l 技術要求：（1） 熟悉常用機器學習和數據挖掘演算法，包括但不限於決策樹、Kmeans、SVM、線性回歸、邏輯回歸以及神經網路等演算法；（2） 熟練使用SQL、Matlab、Python等工具優先；（3） 對Hadoop、Spark、Storm等大規模數據存儲與運算平台有實踐經驗【均為分布式計算框架】（4） 數學基礎要好，如高數，統計學，數據結構l 加分項：數據挖掘建模大賽；應用領域（1） 個性化推薦（2） 廣告投放（3） 大數據分析相關術語Map-Rece：MapRece是一種編程模型，用於大規模數據集（大於1TB）的並行運算。概念"Map（映射）"和"Rece（歸約）"，是它們的主要思想，都是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。（六）搜索演算法工程師要求l 技術領域：自然語言l 技術要求：（1） 數據結構，海量數據處理、高性能計算、大規模分布式系統開發（2） hadoop、lucene（3） 精通Lucene/Solr/Elastic Search等技術，並有二次開發經驗（4） 精通Lucene/Solr/Elastic Search等技術，並有二次開發經驗；（5） 精通倒排索引、全文檢索、分詞、排序等相關技術；（6） 熟悉Java，熟悉Spring、MyBatis、Netty等主流框架；（7） 優秀的資料庫設計和優化能力，精通MySQL資料庫應用 ；（8） 了解推薦引擎和數據挖掘和機器學習的理論知識，有大型搜索應用的開發經驗者優先。（七）控制演算法工程師類包括了雲台控制演算法，飛控控制演算法，機器人控制演算法要求l 專業：計算機，電子信息工程，航天航空，自動化l 技術要求：（1） 精通自動控制原理（如PID）、現代控制理論，精通組合導航原理，姿態融合演算法，電機驅動，電機驅動（2） 卡爾曼濾波，熟悉狀態空間分析法對控制系統進行數學模型建模、分析調試；l 加分項：有電子設計大賽，機器人比賽，robocon等比賽經驗，有硬體設計的基礎；應用領域（1）醫療/工業機械設備（2）工業機器人（3）機器人（4）無人機飛控、雲台控制等（八）導航演算法工程師要求l 專業：計算機，電子信息工程，航天航空，自動化l 技術要求（以公司職位JD為例）公司一（1）精通慣性導航、激光導航、雷達導航等工作原理；（2）精通組合導航演算法設計、精通卡爾曼濾波演算法、精通路徑規劃演算法；（3）具備導航方案設計和實現的工程經驗；（4）熟悉C/C++語言、熟悉至少一種嵌入式系統開發、熟悉Matlab工具；公司二（1）熟悉基於視覺信息的SLAM、定位、導航演算法，有1年以上相關的科研或項目經歷；（2）熟悉慣性導航演算法，熟悉IMU與視覺信息的融合;應用領域無人機、機器人等。

4. 有哪些深度學習演算法可以用gpu實現

GPU是顯示卡的一部分，而不是深度學習演算法的一部分，叫做圖形處理器。
顯示卡的基本作用是控制電腦的圖形輸出，安裝在電腦主板的擴展槽中，或者集成在主板上，工作在中央處理器和顯示器之間。
顯示卡主要包括圖像處理器、顯存、數模轉換器、AGP匯流排介面等幾個部分，數據流從中央處理器流出後，要把中央處理器傳來的數據送到圖像處理器中進行處理，把晶元處理完的數據送入顯存，把顯存讀取出數據送到數模轉換器進行數據轉換的工作，從數模轉換器進入顯示器。ß顯存是顯示卡的核心部件，存放顯示晶元處理後的數據，顯存越大，顯示卡支持的最大解析度越大。顯存的容量至少是「水平解析度*垂直解析度*log2顏色數/8」。
希望我能幫助你解疑釋惑。

5. 關於cpu和gpu的計算

雙核心CPU對比單核心CPU，相同構架相同頻率下，不能達到1+1=2，核心數量於性能的提升不成正比，1GHZ不是計量單位，僅僅只是頻率而已，核心越多容錯就越小。
此外你說的4核心GPU，這個概念你只指NV的SLI呢還是至AMD的CF呢？又或者指的是流處理器？CF於SLI是有本質區別的，怕也是解釋不清楚，若單單只是說顯卡的流處理器，那麼流處理器在一個GPU上可以有2000多個。
最初的雙路CF是將單邊屏幕分開渲染,一邊顯卡負責其中一半畫面

6. 如何測試GPU計算卡

如何測試GPU計算卡，解答如下

• GPU-Z的檢測信息是顯卡發布後將各品牌型號顯卡的bios信息加入到軟體中，GPU-Z就是靠檢測顯卡bios來匹配並顯示顯卡信息的。所以某顯卡發布之前的舊版CPU-Z是無法正確顯示該顯卡的信息的。

• 你這兩個GPU-Z都是舊版，所以兩個都不準。10603G版有1152個流處理器，72個紋理單元。

• 你這兩個GPU-Z都顯示有96個紋理單元，都是不正確的。6G版1060有48個光柵單元，3G版我也不確定是否閹割，但是絕對不可能是24個這么少。

• 目前GPU-Z最新版是1.10.0版，因為GTX10603G版顯卡是8月中旬發布的，而最新GPU-Z1.10.0版是8月11日發布的，所以1.10.0版也不見得就一定準。

• 你可以下個1.10.0版看看準不準，如果不準就等下個GPU-Z版本更新吧。

7. gpu計算能力1.0是什麼意思

計算能力是Nvidia公司在發布CUDA（統一計算架構，Compute Unified Device Architecture，一種對GPU進行編程的語言，類似於C語言對CPU進行編程）時提出的一個概念。因為顯卡本身是一個浮點計算晶元，可以作為計算卡使用，所以顯卡就具有計算能力。不同的顯卡具有不同的計算能力，為了以示區分，Nvidia就在不同時期的產品上提出了相應版本的計算能力x.x。計算能力1.0出現在早期的圖形卡上，例如，最初的8800 Ultras和許多8000系列卡以及Tesla C/D/S870s卡，與這些顯卡相應發布的是CUDA1.0。今天計算能力1.0已經被市場淘汰了。此後還有計算能力1.1，這個出現在許多9000系列圖形卡上。計算能力1.2與GT200系列顯卡一起出現，而計算能力1.3是從GT200升級到GT200 a/b修訂版時提出的。再往後還有計算能力2.0、2.1、3.0等版本。最新發布的版本是計算能力6.1，由最新的帕斯卡架構顯卡所支持，同時CUDA版本也更新到CUDA8.0。

對於普通用戶無需關心顯卡的計算能力，只有GPU編程人員在編寫CUDA程序，對GPU的計算進行開發時才關心這個問題。只要知道自己電腦所帶的顯卡型號就能查詢到相應的計算能力，這里貼上官方網址：https://developer.nvidia.com/cuda-gpus。

8. 什麼是 GPU 計算

GPU 加速的計算是利用一顆圖形處理器 (GPU) 以及一顆 CPU 來加速科學、工程以及企業級應用程序。 NVIDIA® 於 2007 年在這方面率先邁出了步，GPU 現已成就了世界各地政府實驗室、大學、企業以及中小企業內的節能數據中心。

9. 什麼是 GPU 計算

從用戶的角度而言，應用程序只是運行速度比從前快了很多。 CPU + GPU 是一個強大的組合，因為 CPU 包含幾個專為串列處理而優化的核心，而 GPU 則由數以千計更小、更節能的核心組成，這些核心專為提供強勁的並行性能而設計。 程序的串列部分在 CPU 上運行，而並行部分則在 GPU 上運行。 通過運用我們目錄中所列的任意 GPU 加速應用程序，大多數客戶能夠立即享受到 GPU 計算的優勢。 該目錄重點列舉了一百多款行業領先的應用程序。對開發者來說，GPU 計算擁有由各大軟體開發商旗下工具和庫所組成的巨大生態系統。 更快地運行你的 GPU 加速代碼試用Tesla K20 GPU 加速器。 了解更多信息GPU 計算的歷史 圖形晶元最開始被用作固定函數的圖形流水線。經過多年的發展，這些圖形晶元的可編程性逐漸增強，從而使第一顆 NVIDIA�0�3 GPU 得以問世。 在 1999-2000 年間，計算機科學家和醫學成像以及電磁學領域中的研究者開始使用 GPU 來加速一系列的科學應用。這就是所謂的「GPGPU」或GPU 通用計算運動 雖然用戶取得了前所未有的性能 (在某些情形中實現了比 CPU 高 100 倍的性能)，然而難題是 GPGPU 需要使用 OpenGL 和 Cg 等圖形編程 API 來對 GPU 進行編程。 這樣便限制了人們利用 GPU 的強大處理能力來為科學加速。 所有NVIDIA�0�3 GPU GeForce、 NVIDIA�0�3 Quadro 以及 NVIDIA�0�3 Tesla) 均支持 GPU 計算和 CUDA�0�3 並行編程模型。開發者幾乎在任意平台上均可運用 NVIDIA�0�3 GPU，這些平台包括最新的蘋果MacBook Pro。 然而，我們建議使用 NVIDIA�0�3 Tesla GPU 來處理那些強調可靠性與整體性能的工作。 如需了解更多細節，敬請參閱「為什麼選擇 NVIDIA�0�3 Tesla」。 NVIDIA�0�3 Tesla GPU 完全專為加速科學技術計算工作而設計。最新的 NVIDIA�0�3 Tesla GPU 基於「Kepler 架構」中的諸多創新特性，與上一代架構相比，可提供三倍的性能，雙精度浮點性能高達 1 Teraflops 以上，同時還大幅提升了可編程性和效率。Kepler 是世界上最快、最節能的高性能計算 (HPC) 架構。 NVIDIA�0�3 意識到了將這種性能提供給更廣闊的科學界的潛力，因此投入力量修改 GPU，讓開發者能夠對 GPU 充分編程，使其能夠無縫地運用 C、C++ 以及Fortran 等熟悉的語言。

10. gpu現在一般都用什麼演算法，基本原理是什麼

你可以參考 蘋果第一代顯卡
那個是用74電路 搭出來的 你可以看出邏輯表達式來反推演算法
現在的基本多是技術秘密了吧
基本的架構 可以從顯卡廠商官網上查到