|
GPU（图形处理器）计算使用 GPU（图形处理器）来执行通用科学与工程计算。 GPU（图形处理器）计算模型在一个异构计算模型中同时使用了 CPU 和 GPU（图形处理器）。应用程序的顺序部分在 CPU 上运行，计算密集型部分在 GPU（图形处理器）上运行。虽然应用程序使用了 GPU（图形处理器）的卓越性能来提升运行性能，但对用户而言，他们所能感知到的将仅仅是运行速度更快的应用程序。
应用程序开发人员将需要修改其应用程序中的计算密集型内核，并将其关联到 GPU（图形处理器）。应用程序的其它部分将仍然依赖于 CPU 进行处理。将一项功能关联到 GPU（图形处理器）需要重写功能，以在其中支持并行处理，同时添加“C”关键字以在应用程序和 GPU（图形处理器）之间往返传输数据。 GPU（图形处理器）计算得到了 NVIDIA®（英伟达™）被称作 CUDA 架构的 GPU（图形处理器）大规模并行架构的支持。CUDA 架构由 100 多个处理器内核组成，这些内核能够协作运行来处理应用程序中的数据集。 Tesla 10 系列 GPU（图形处理器）是第二代 CUDA 架构，包含有专为科学应用程序优化的特性，如 IEEE 标准双精度浮点硬件支持、以分布于 GPU（图形处理器）中的共享内存形式存在的本地数据高速缓存、以及结合内存访问等。 GPU（图形处理器）计算的发展历史 图形芯片最初用作固定功能图形管线。随着时间的推移，这些图形芯片的可编程性日益增加，在此基础之上 NVIDIA®（英伟达™）推出了第一款 GPU（图形处理器）。1999-2000 年间，计算机科学家，与诸如医疗成像和电磁等领域的研究人员，开始使用 GPU（图形处理器）来运行通用计算应用程序。他们发现 GPU（图形处理器）具备的卓越浮点性能可为众多科学应用程序带来显著的性能提升。这一发现掀起了被称作 GPGPU（GPU（图形处理器）通用计算）的浪潮。 此处需要解决的问题为 GPGPU 要求使用图形编程语言来对 GPU（图形处理器）进行编程，如 OpenGL 和 Cg 等。开发人员需要使其科学应用程序看起来像图形应用程序，并将其关联到需要绘制三角形和多边形的问题。这一方法限制了 GPU（图形处理器）的卓越性能在科学领域的充分发挥。 NVIDIA®（英伟达™）认识到了让更多科学群体使用这一卓越性能的强大优势，决定投资来修改 GPU（图形处理器），使其能够完全可编程以支持科学应用程序，同时还添加了对于诸如 C 和 C++ 等高级语言的支持。此举最终推动诞生了面向 GPU（图形处理器）的 CUDA 架构。 CUDA 并行架构与编程模型 CUDA 并行硬件架构伴随有 CUDA 并行编程模型。该模型提供了一个抽象集合，能够支持实现精细和粗放级别的数据与任务并行处理。编程人员可以选择使用高级语言（如 C、C++ 和 Fortran）或驱动程序 API（如 OpenCL 和 DirectX-11 Compute）来实现并行处理。
NVIDIA®（英伟达™）率先提供支持的语言为 C 语言。一系列面向 CUDA 的 C 语言软件开发工具支持基于 C 语言，使用最小的关键字或扩展集合来对 GPU（图形处理器）进行编程。对于 Fortran 和 OpenCL 等语言的支持将很快推出。 CUDA 并行编程模型可支持编程人员将问题划分为粗放子问题，以并行方式独立解决。之后编程人员再对子问题进行精细并行处理，以便所有子问题能够以并行方式协作解决。 |
