当前位置：文档之家 › 图形处理器在通用计算中的应用

图形处理器在通用计算中的应用

  • 格式：pdf
  • 大小：301.86 KB
  • 文档页数：4

万方数据
图２ ＣＵＤＡ逻辑架构及其与设备内存的对应关系
张健，陈瑞：图形处理器在通用计算中的应用
２００９，３０（１４）
３３６１
ｊ
罢
／
匣 笛
广
船 删
．夕
３
‘ Ｕ
／
一．警矿。ｊ。ｊ
１２３４
５ ６ ７ Ｂ ９ ｌＯ
序号
（ａ）ＣＰＵ上的运行时间
童
／
厘 富
√。
啦 卿
己
Ｕ
／。
）■∥’—ｐ
序号 （ｂ）ＧＰＵ上的运行时间
近年ＣＰＵ和ＧＰＵ浮点计算性能的比较如图ｌ所示。
１ ＣＵＤＡ架构及实现平台介绍啪
为了方便的利用ＧＰＵ进行数值运算，ＮｖｌＤ队公司 （ｗｗｗ．ｎｖｉｄｉａ．ｃ０１）新提出的ＧＰＵ与计算统～设备体系结构 （ｃｏｍｐｕｔｅ ｕｎｉｆｉｅｄ ｄｅｖｉｃｅ ａｒｃｈｉｔｅｃｔｕｒｅ，ＣＵＤＡ）相结合进行并行运 算的方法，可以通过片上上百个处理器同步协作，从而快速解
理的要求，是ＧＰＵ需ａｃｅｄｏｎｉａ Ｍ．Ｔｈｅ ＧＰＵ ｅｎｔｅｒｓ ｃｏｍｐｕｔｉｎｇ＇ｓ ｍａｉｎｓａ－ｅａｍ［Ｊ］．ＩＥＥＥ Ｃｏｍｐｕｔｅｒ，２００３，３６（１０）：１０６－１０８．
【２】Ｃｕｄａ ｐｒｏｇｒａｍｍｉｎｇ ｇｕｉｄｅ ｖｅｒｓｉｏｎ ２．Ｏ【Ｍ】．ＮＶＩＤＩＡ Ｃｏｒｐｏｒａｔｉｏｎ，
３运算实例
矩阵运算是数值计算中的常用算法，同时为了有利于并 行运算的实现，本文采用矩阵乘法作为实例，来说明ＧＰＵ用 于通用计算的性能与优点。矩阵Ａ（ｍｘｈ）与矩阵Ｂ（ｈｘｎ）相乘
图３ ＧＰＵ上执行矩阵乘法
为了比较方便，本文对Ａ、Ｂ、Ｃ这３个矩阵采用大小相同 的方阵，ＧＰＵ上的Ｂｌｏｃｋ大小都是８ｘ８，其运行时间如图４所 示（ＧＰＵ：ＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ８８００ ＧＴＸ ＣＰＵ：Ｉｎｔｃｌ（Ｒ）Ｐｅｎｔｉｕｍ（Ｒ）Ｄ ＣＰＵ ３，０Ｇｈｚ）。随着矩阵的变大，无论是ＧＰＵ还是ＣＰＵ处理， 速度都再减慢：但是由于ＧＰＵ可以利用其多个处理器并行处 理，所需的时间增加相比较与ＣＰＵ而言，增加的很少，从８ｘ８ 的矩阵变为８０ｘ８０的矩阵，数据增加了１００倍，ＧＰＵ运算时间 仅增加了３．９５倍，而同样情况下ＣＰＵ的运算时间增加了２１６．６６ 倍（如表ｌ所示）。在表１中，发现当矩阵尺寸为８ｘ８时，ＧＰＵ的 运算速度没有ＣＰＵ快，这是因为ＧＰＵ运算时，数据需要从ＣＰＵ 拷贝到ＧＰＵ，这同样需要一定的时间。当矩阵过小时，ＧＰＵ并 行运算提高的速度并不能抵消由于数据拷贝所需的时间。
２００８．
【３】Ｋｒｉｉｇｅｒ Ｊ，Ｗｅｓｔｅｒｍａｎｎ Ｒ．Ｌｉｎｅａｒ ａｌｇｅｂｒａ ｏｐｅｒａｔｏｒｓ ｆｏｒ ＧＰＵ ｉｒａ－ ｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｎｕｍｅｒｉｃａｌ ａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＡＣＭ Ｔｒａｍ ｏｎ Ｃｎ＇ａｐ ｈｉｃｓ，２００３。２２（３）：９０８－９１６．
计算机工程与设计Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ
２００９，３０（１４）
３３５９
·多媒体技术·
图形处理器在通用计算中的应用
张健， 陈 瑞 （南京工程学院通信工程学院，江苏南京２１１１６７）
摘要：基于图形处理器（ＧＰＵ）的计算统一设备体系结构（ｃｏｍｐｕｔｅｕｎｉｆｉｅｄｄｅｖｉｃｅａｒｃｈｉｔｅｃｔｕｒｅ，ＣｔＪＤＡ）构架，阐述了ＧＰＵ用于通用 计算的原理和方法。在Ｇｅｆｏｒｅｅ８８００ＧＴ下，完成了矩阵乘法运算实验。实验结果表明，随着矩阵阶数的递增，无论是ＧＰＵ还 是ＣＰＵ处理，速度都在减慢．数据增加１００倍后，ＧＰＵ上的运算时间仅增加了３．９５倍，而ＣＰＵ的运算时间增加了２１６．６６倍． 关键词：图形处理器；计算统一设备体系结构；通用计算；矩阵乘法；矩阵阶数 中图法分类号：ＴＰ３１４ 文献标识码：Ａ 文章编号：１０００－７０２４（２００９）１４－３３５９．０３
目前，ＧＰＵ主要的问题在于ＧＰＵ与ＣＰＵ之间数据通信的 瓶颈，提高两者之间的数据交换速度，使其能满足大量数据处
表ｌ不同尺寸矩阵在ＧＰＵ和ＣＰＵ上的运行时间
序号 矩阵的尺寸
ｌ
８ｘ８
２
１６ｘ１６
３
２４ｘ２４
４
３２ｘ３２
５
４０ｘ４０
６
４８ｘ４８
７
５６ｘ５６
８
６４×６４
９
７２ｘ７２
ｌＯ
８０ｘ８０
ＣＰＵ运行 时间／ｍｓ Ｏ．００６２ ０．０４８４ Ｏ．１５１６ ０３５１５ ０．６７８２ １．１６０９ １．８３２８ ２．８６４ｌ ３．９１７２ ５．３１０９
厘
茁 牡 卿
＿ ／＾
３
广
山
望 厘
ｇ
√
鲁
／１
靶 卿
广
。
。／硒
厶 Ｕ
～令／●
序号 （ｃ）ＣＰＵ与ＧＰＵ上运行时间比较
图４矩阵乘法的运行结果
４结束语
ＧＰＵ特别适于解决表现为并行数据计算的问题，即同样 的程序并行地在许多数据元素上使用高数学密集型的算法（数 学计算相对于内存操作的比率很高）㈨。特别是ＮＶＩＤＩＡ公司 推出ＣＵＤＡ２．０后，解决了ＧＰＵ通用计算只支持单精度数的缺 点，为其在更广阔的领域应用提供了基础。
ＧＰＵ运行 时间／ｍｓ Ｏ．０３０４８５ ０．０３２８３８ ０．０３６２６７ ０．０４１２１３ ０．０４６３９ｌ Ｏ．０５６０５５ ０．０６８３７５ ０．０８１８４ｌ Ｏ．１０３０“ ０．１２０５２５
ＣＰＵ运行时间／ ＧＰＵ运行时间
０．２０３３７９ １．４７３９Ｉ）２ ４．１８０１０９ ８．５２８８６２ １４．６１９２ｌ ２０．７１００２ ２６．８０５１２ ３４．９９５９ｌ ３８．００７４５ ４４．０６４７２
０引 言
近年来，由于在图形处理器（ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ，ＧＰＵ） 中加入可编程内部处理器，使ＧＰＵ具备很高的运算性能。ＧＰＵ 凭借多核共同驱动及很高的内存读写带宽，使其不仅应用于 图形处理方面，在通用计算方面也可以提供更多的运算资源Ⅲ。
相比ＣＰＵ而言，ＧＰＵ硬件结构采用了更多的运算逻辑部 件（ａｒｉｔｈｍｅｔｉｃ ｌｏ画ｃ ｕｎｉｔ，ＡＬＵ）参与数据处理，而不是被用在数 据缓存和流程控制。运算过程中ＧＰＵ相当于大量的并行处 理器。所以，ＧＰＵ更适合那些相同程序并行处理大量数据的 并行计算，即高密集度数据运算。因为这些相同程序对许多 数据元素进行同样的运算过程，所以不需要复杂的流程控制， 同时，由于高密集运算，这样从内存读取数据的等待时间就可 以被运算所掩盖，从而可以简化高速数据缓存机制。
０
Ｊ∞ Ｊｕｌ
Ｊ∞
Ｊｕｌ Ｊ∞
Ｊｕｌ Ｊａｎ
Ｊｕｌ
Ｊａｎ Ｊｕ｜
２∞３ ２００３ ２００４ ２００４ ２００５ ２∞５ ２００６ ２００６ ２００７ ２∞７
图ｌ近年ＣＰＵ和ＧＰＵ浮点计算性能的比较 （ＦＬＯＰＳ每秒浮点运算次数）
可以得到矩阵Ｃ（ｍｘｎ），Ｃ中的每个元素Ｇ＝∑彳觑。由于求
●
解Ｇ的操作都是相同，仅是选择矩阵Ａ和Ｂ中的不同行和列，
【４】Ｈａｌｌ ＪＤ，Ｃａｒｒ ＮＡ，Ｈａｒｔ ＪＣ．Ｃａｃｈｅ ａｎｄ ｂａｎｄｗｉｄｔｈ ａｗａｒｅ ｍａｔｒｉｘ ｍｕｌｔｉｐｌｉｃａｔｉｏｎ ０１１ ｔｈｅ ＧＰＵ［Ｒ］．Ｃｈａｍｐａｉｇｎ：Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｉｌｌｉｎｏｉｓ ａｔ Ｕｒｂａｎａ－Ｃｈａｍｐａｉｇｎ，２００３．
【５】Ｔｈｏｍｐｓｏｎ ＣＪ，Ｈａｈｎ Ｓ，Ｏｓｋｉｎ Ｍ．Ｕｓｉｎｇ ｍｏｄｅｍ ｇｒａｐｈｉｃｓ ａｒｃｈｉｔｅｃ－ ｔｕｒｏｓ ｆｏｒ ｇｅｎｅｒａｌ－ｐｕｒｐｏｓｅ ｃ，ｏｍｐｕｔｉｎｇ：Ａ ｆｒａｍｅｗｏｒｋ ａｎｄ ａｎａｌｙｓｉｓ 【Ｃ】．Ｐｒｏｃ ｏｆｔｈｅ Ｉｎｔ’ｌ Ｓｙｍｐ ｏｎ Ｍｉｃｒｏａｒｃｈｉｔｅｆｔｕｒｅ。２００２：３０６－３１７．
陈瑞（１９７２一），女，湖北武汉人，硕士，副
万方数据
３３６０ ２００９，３０（１４）
计算机工程与设计Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ
６００
Ｔ茄ｌａＣ８７０
口 ５００
／
４００
饼一００罗
３∞ ∞‘ｏ一‰ｏ
Ｇ７泖０鼻５１２∥
２∞
／尸，．。。№湍
１００ 笾短Ｐ呻ｍ４．．．．右＝∥≥／
多个ｔｈｒｅａｄ组成一个ｔｈｒｅａｄ ｂｌｏｃｋ，它们可以共享ｓｈａｒｅｄ ｍｅｍｏｒｙ中的数据，并可以同步执行一致的内存访问。即一个
收稿日期：２００８．０８．１８：修订日期：２００８．１１．２２。 基金项目：南京工程学院引进人才科研启动基金项目（ＫＸＪ０７０５６）。 作者简介：张健（１９７７一），男。江苏昆山人，博士，讲师，研究方向为计算机图形学、并行计算： 教授，研究方向为计算机图形学。Ｆ－ｍａｉｈ ｚｈａｎｇｉｉａａ＠ｎｊｉｔ．ｅｄｌｌ．如
可以充分利用ＧＰＵ的并行计算能力，使用多个处理器，每个
处理器处理一个Ｇ，并行执行Ｍ。如图３所示。
ｔｈｒｅａｄ可以在ｋｅｒｎｅｌ中定义一个同步点，则所有同属于当前 ｂｌｏｃｋ中的其他ｔｈｒｅａｄ必须在此同步点进行等待，当此ｂｌｏｃｋ中 所有ｔｈｒｅａｄ都达到这个同步点时，再执行同步点后面的操作。
每个ｔｈｒｅａｄ都有ｔｈｒｅａｄｌＤ与其对应，这是其在ｂｌｏｃｋ中的 线程序数。为了便于这种基于ｔｈｒｅａｄＩＤ的复杂寻址，也可以将 ｂｌｏｃｋ定义成任意大小的２Ｄ或３Ｄ的矩阵，这样就可以通过２ 元或３元的索引来表示其ｔｈｒｅａｄｌＤ。例如，对于２Ｄ，大小为 （Ｄｘ，Ｄｙ）的ｂｌｏｃｋ，则索引为（ｘ，ｙ）的ｔｈｒｅａｄｌＤ为（ｘ＋ｙ Ｄｘ）；对于 ３Ｄ大小为（Ｄｘ，Ｄｙ，Ｄｚ）的ｂｌｏｃｋ，索引为（ｘ，Ｙ，ｚ）的ｔｈｒｅａｄ的 ｔｈｒｅａｄＩＤ为（ｘ＋ｙ Ｄｘ＋ｚ Ｄｘ Ｄｙ）。
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｔｈｅ ＣＵＤＡ（ｃｏｍｐｕｔｅ ｕｎｉｆｉｅｄ ｄｅｖｉｃｅ孤．ｃｈｉｔｃｃｔｕｒｅ）ｏｆＧＰＵ（ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉ０。ｔｈｅ ｔｅｃｈｎｉｃａｌ ｆｕｎｄａｍｅｎｔａｌｓ ａｎｄ ｍｅｔｈｏｄｓ ｆｏｒ ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｃｏｍｐｕｔａｔｉｏｎ ０１１ ＧＰＵａｒｅ ｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｏｆｍａｔｒｉｘ ｍｕｌｔｉｐｌｉｃａｔｉｏｎ ｉｓ ｓｉｍｕｌａｔｅｄ ｏｎ Ｇｅｆｏｒｅｅ８８００ ＧＴ．Ｗｉｔｈ ｔｈｅ ｉｎｃｒｅａｓｉｎｇ ｏｆｍａｔｒｉｘ ｏｒｄｅｒ，ａｌｇｏｒｉｔｈｍ ｓｐｅｅｄ ｉｓ ｓｌｏｗｅｄ ｅｉｔｈｅｒ Ｏｎ ＣＰＵ ｏｒ ｏｎ ＧＰＵ．ＡｆＩｅｒ ｔｈｅ ｄａｔａ ｑｕａｎｔｉｔｙ ｉｎｃｒｅａｓｅｓ ｔｏ １００ ｌｉｍｅｓ，ｔｈｅ ｏｐｅｒａｔｉｏｎ ｔｉｍｅ ｏｎｌｙ ｉｎｃｒｅａｓｅｄ ｉｎ ３．９５ ｔｉｍｅｓ Ｏｎ ＧＰＵ，ａｎｄ ２１６．６６ ｔｉｍｅｓ ｏｎ ＣＰＵ． Ｋｅｙ ｗｏｒｄｓ：ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ（ＧＰＵ）；ｃｏｍｐｕｔｅ ｕｎｉｆｉｅｄ ｄｅｖｉｃｅ ａｒｃｈｉｔｅｃｔｕｒｅ（ＣＵＤＡ）；ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｃｏｍｐｕｔａｔｉｏｎ；ｍａｔｒｉｘ ｍｕｌｔｉｐｌｙ；ｍａｔｒｉｘ ０ｒｄ盯

合集下载

gpu 方案

gpu 方案

gpu 方案GPU方案受限于传统中央处理器（CPU）的计算能力，随着人工智能、大数据处理等领域的迅速发展，对于高性能计算的需求日益增长。

此时，图形处理器（GPU）因其并行计算能力强大而引起了广泛关注。

本文将重点讨论GPU方案及其在不同领域的应用。

一、GPU基本原理及优势GPU是一种专门用于处理计算密集型图形和通用计算任务的芯片。

它通过并行处理大量的计算单元来提高计算速度，相较于CPU，在相同的功耗下能够达到更高的计算性能。

这主要得益于GPU的以下优势：1. 并行计算能力：GPU拥有数百个计算单元，每个计算单元都可以同时执行指令，从而实现高效的并行计算，大大提高了计算速度。

2. 强大的浮点运算能力：在很多科学计算和图形处理任务中，浮点运算是必不可少的。

GPU在浮点运算方面表现优异，能够高效地完成复杂的计算任务。

3. 内存带宽和容量：GPU配备了独立的高速显存，能够提供大容量的存储和高速的数据传输，满足大规模数据处理的需求。

二、GPU在人工智能领域的应用1. 深度学习：深度学习是人工智能领域的重要分支，对于大规模神经网络的训练和推理计算，GPU表现出色。

深度学习框架如TensorFlow、PyTorch等都提供了GPU加速的接口，进一步提高了训练和推理的效率。

2. 计算机视觉：计算机视觉任务需要对大量的图像进行处理和分析，在目标检测、图像分类、图像生成等方面，GPU可以并行地执行各种计算任务，大大加快了处理速度。

三、GPU在科学计算领域的应用1. 分子动力学模拟：分子动力学模拟是研究物质结构和性质的重要手段，需要进行大量的数值计算。

GPU的并行计算能力使得分子动力学模拟能够更快地收敛，并且能够处理更大规模的系统。

2. 天体物理学模拟：天体物理学模拟需要用数值方法模拟星系和宇宙的演化过程。

GPU可以并行地计算天体之间的相互作用，并且加速计算过程，提高模拟的精度和效率。

四、GPU在大数据处理领域的应用1. 数据挖掘：在大数据分析中，需要通过挖掘庞大的数据集找出其中的规律和关联。

gpgpu芯片设计 原理与实践

gpgpu芯片设计 原理与实践

gpgpu芯片设计原理与实践GPGPU（General-Purpose Computing on Graphics Processing Units）是一种利用图形处理器进行通用计算的技术，它在高性能计算领域具有重要意义。

GPGPU技术的兴起，使得图形处理器不仅仅局限于图形渲染，而是可以用于更广泛的通用计算任务，如科学计算、机器学习、深度学习等。

GPGPU芯片设计涉及到多个方面的原理与实践。

首先，GPGPU的设计需要考虑到并行计算的特点，因为图形处理器具有大量的处理单元，能够同时处理大规模的数据。

因此，GPGPU的设计需要充分利用并行计算的优势，设计高效的并行计算架构和数据传输机制。

其次，GPGPU的设计需要考虑到计算和存储的平衡。

由于GPGPU 通常需要处理大规模的数据，因此设计高效的存储系统对于提高计算性能至关重要。

GPGPU芯片设计需要考虑如何优化存储系统的设计，以提高数据访问的效率。

另外，GPGPU的设计还需要考虑到功耗和散热的问题。

由于GPGPU通常需要进行大规模的并行计算，因此会产生大量的热量。

因此，GPGPU芯片设计需要考虑如何降低功耗，提高散热效率，以确保系统的稳定性和可靠性。

在实践方面，GPGPU芯片设计需要进行大量的仿真和验证工作。

设计团队需要利用各种仿真工具对GPGPU的架构进行仿真和验证，以确保其设计的正确性和性能。

此外，还需要进行大量的实际测试工作，以验证设计的稳定性和可靠性。

总之，GPGPU芯片设计涉及到多个方面的原理与实践，需要设计团队充分考虑并行计算、存储系统、功耗和散热等多个方面的因素，进行大量的仿真和验证工作，以确保设计的正确性和性能。

随着GPGPU技术的不断发展，相信GPGPU芯片设计的原理与实践将会越来越成熟，为高性能计算领域带来更多的创新和突破。

CPU和GPU的作用

CPU和GPU的作用

CPU和GPU的作用CPU（中央处理器）和GPU（图形处理器）是计算机系统中两个关键的组件，它们在不同的领域发挥着不同的作用。

本文将从计算机体系结构、任务分配、性能优化等方面介绍CPU和GPU的作用。

一、计算机体系结构计算机体系结构是指计算机系统中各个硬件组件之间的组织方式和相互关系。

在计算机体系结构中，CPU和GPU起着不同的作用。

1. CPU的作用作为计算机系统的核心组件，CPU负责执行各种指令，控制和协调计算机系统的运行。

它具有较高的单线程性能和通用性能，适用于处理复杂的控制流和各种常规计算任务。

CPU通常由多个核心组成，每个核心都可以执行各种指令。

它用于运行操作系统、执行常规程序和处理大部分的计算任务。

2. GPU的作用GPU是专门设计用于处理图形和并行计算的处理器。

它由多个小型、高并发的处理单元组成，具有较高的并行处理能力和浮点计算能力。

GPU的设计理念是为了加速图形渲染和其他需要大规模并行计算的任务。

它通常用于图像处理、游戏渲染、科学计算等领域。

二、任务分配CPU和GPU在计算机系统中的任务分配有一定的差异。

1. CPU的任务分配CPU主要负责串行计算和控制流任务。

它通过运行操作系统和应用程序来处理各种任务。

CPU具有较高的时钟频率和较大的缓存容量，适合处理需要高频率的算术运算和数据访问的任务。

它能够执行复杂的算法、处理复杂的控制流程和处理器间的通信。

2. GPU的任务分配GPU主要负责并行计算任务，尤其是大规模的数据并行计算。

它通过执行大量的并发线程来处理任务。

GPU具有数百甚至数千个处理单元，可以同时执行多个线程。

它具有较高的并行计算能力和浮点计算能力，适合执行矩阵运算、向量运算、逐点运算等需要大量计算的任务。

三、性能优化在实际应用中，为了充分发挥CPU和GPU的性能，需要进行相应的优化。

1. CPU的性能优化为了提高CPU的性能，可以使用多线程、指令级并行和向量化等技术。

多线程可以利用多核心来并行执行多个任务，提高整体性能。

GPU通用计算

GPU通用计算

GPU通用计算（GPGPU）——将图形túxín g处理器用于高性能计算领域1.1 研究背景和意义随着当前计算机性能的不断提高，应用范围越来越广泛，不同的计算任务和计算需求都在快速增长，这就决定了处理器朝着通用化和专用化两个方向飞速发展。

一方面，以CPU为代表的通用处理器是现代计算机的核心部件，经过多次器件换代的变迁，不仅集成度大大提高，性能和功能也大为改善，除了负责解释、执行指令和完成各种算术逻辑运算外，还控制并协调计算机各部分的执行。

另一方面，处理器在特定领域应用的专用化程度也越来越高，例如在视频、图像和音频处理等领域，都出现了相应的专用处理器（如VP U、GPU、APU等）。

在针对特定应用方面与通用处理器相比，专用处理器能够更加高效的满足特定的计算任务和需求。

近年来，计算机图形处理器（GP U，Graphics P rocessing Unit）正在以大大超过摩尔定律的速度高速发展，极大的提高了计算机图形处理的速度和质量，不但促进了图像处理、虚拟现实、计算机仿真等相关应用领域的快速发展，同时也为人们利用GP U进行图形处理以外的通用计算提供了良好的运行平台[1]。

GPU应用领域的拓宽与其硬件发展有着极大关系。

GP U自1999年首先由NVIDIA公司提出后，就其发展的速度而言，是CPU更新速度的三倍。

从1993年开始，GP U的性能以每年2.8倍的速度增长。

目前，图形处理器已经经历了五代发展，平均每半年就有新一代的GP U问世。

GPGPU GPGPU GPGPU GPGPU2004年，N VIDIA GeForce 6800 Ultra处理器峰值速度可达40GFLOP S，对比Intel P entium 4 3.0GHz，采用SSE2指令集也只能达到6 GFLOP S[3]。

NV IDIA最新发布的GeForce 8800图形处理器集成了6.8亿个晶体管，拥有128个流处理单元，其峰值运算能力超过340GFLOP S，而Intel最新的P entium4 Core 2 E xtreme X6800只有46.88GFLOP S。