GPU

GPU，全称为图形处理单元（Graphics Processing Unit），是一种专用于处理图形和图像计算的处理器。起初，GPU主要用于图形渲染，但随着计算需求的增加，尤其是在科学计算、深度学习和其他并行计算领域，GPU的通用计算能力逐渐受到重视。

GPU相对于传统的中央处理单元（CPU）在设计上有一些显著的区别。CPU更适用于处理通用的控制流任务，而GPU则专注于高度并行的数据处理。GPU通常拥有大量的小型处理单元，被设计成能够同时处理大量相似的任务，例如图形渲染中的像素计算或深度学习中的矩阵运算。

总体而言，GPU在图形处理领域的成功应用和对并行计算需求的响应使其逐渐演变成为通用计算设备，广泛用于加速各种科学和工程计算应用。

Imagination Technologies宣布与全球性高速混合电路知识产权（IP）和芯片定制（ASIC）一站式提供商芯动科技（Innosilicon）达成新的授权合作协议。

Imagination Technologies宣布推出全新的IMG B系列（IMG B-Series）图形处理器（GPU），进一步扩展了其GPU知识产权（IP）产品系列。凭借其先进的多核架构，B系列可以使Imagination的客户在降低功耗的同时获得比市场上任何其他GPU IP更高的性能水平。

FPGA 是一堆晶体管，你可以把它们连接(wire up)起来做出任何你想要的电路。它就像一个纳米级面包板。使用 FPGA 就像芯片流片，但是你只需要买这一张芯片就可以搭建不一样的设计，作为交换，你需要付出一些效率上的代价。

从字面上讲这种说法并不对，因为你并不需要重连(rewire)FPGA，它实际上是一个通过路由网络(routing network)连接的查找表 2D 网格，以及一些算术单元和内存。FPGA 可以模拟任意电路，但它们实际上只是在模仿，就像软件电路仿真器模拟电路一样。这个答案不恰当的地方在于，它过分简化了人们实际使用 FPGA 的方式。接下来的两个定义能更好地描述 FPGA。

电路模拟是 FPGA 的经典主流用例，这也是 FPGA 最早出现的原因。FPGA 的关键在于硬件设计是用 HDL 形式编码的，而且买一些便宜的硬件就可以得到和 ASIC 相同的效果。当然，你不可能在 FPGA 和真正的芯片上使用完全相同的 Verilog 代码，但至少它们的抽象范围是一样的。

IDC《2018年下半年中国AI基础架构市场跟踪报告》显示，2018年下半年中国GPU服务器市场规模为7.8亿美金（约合人民币53.8亿元），同比增长107.3%。 2018年全年中国GPU服务器市场规模为13.05亿美金（约合人民币90.05亿元），同比增长131.2%。IDC预测，到2023年中国GPU服务器市场规模将达到43.2亿美金（约合人民币298亿元），未来5年整体市场年复合增长率（CAGR）为27.1%。

2018年中国GPU服务器市场量价齐升，出货量和销售额均实现快速增长。

从行业来看，互联网为主要采购行业，占据60%以上的市场份额，是拉动市场增长的主要行业；政府的采购量也有所上升，超过了10%的市场份额；

目前大多数的机器学习是在处理器上完成的，大多数机器学习软件会针对GPU进行更多的优化，甚至有人认为学习加速必须在GPU上才能完成，但事实上无论是运行机器学习的处理器还是优化的深度学习框架，都不单只针对GPU，代号为“Skylake”的英特尔至强SP处理器就证明了这一点。

机器学习软件在英特尔至强SP系列白金版上的一系列基准测试性能表现与在GPU上非常相近，了解了底层架构之后，我们可以看到，在性能如此接近的情况下，使用GPU加速器更像是在购买一种“奢侈品”，用户在GPU以外还有很多其他的选择。毫无疑问，在用户只需要机器学习的情况下，“加速器”在性能和能耗方面更有优势，大多数人需要的不只是一台“智能的用于机器学习的服务器”，那就让我们来重点看一下英特尔至强SP 白金级处理器为什么是最佳的选择：

CPU优化深度学习框架和函数库

英特尔在基于GPU优化的框架中增加了CPU优化深度学习框架，打破了深度学习框架偏重于GPU而忽视了CPU的行业现状，解决了目前这些框架缺乏CPU优化的实际问题。

TensorFlow由谷歌开发，是一个领先的深度学习和机器学习框架，有面向Linux的处理器优化

CPU和GPU都是具有运算能力的芯片，CPU更像“通才”——指令运算(执行)为重+ 数值运算，GPU更像“专才”——图形类数值计算为核心。在不同类型的运算方面的速度也就决定了它们的能力——“擅长和不擅长”。

芯片的速度主要取决于三个方面：微架构、主频、IPC(每个时钟周期执行的指令数)。

1．微架构

从微架构上看，CPU和GPU看起来完全不是按照相同的设计思路设计的，当代CPU的微架构是按照兼顾“指令并行执行”和“数据并行运算”的思路而设计，就是要兼顾程序执行和数据运算的并行性、通用性以及它们的平衡性。CPU的微架构偏重于程序执行的效率，不会一味追求某种运算极致速度而牺牲程序执行的效率。

CPU微架构的设计是面向指令执行高效率而设计的，因而CPU是计算机中设计最复杂的芯片。和GPU相比，CPU核心的重复设计部分不多，这种复杂性不能仅以晶体管的多寡来衡量，这种复杂性来自于实现：如程序分支预测，推测执行，多重嵌套分支执行，并行执行时候的指令相关性和数据相关性，多核协同处理时候的数据一致性等等复杂逻辑。

就如电源是PC的心脏一样，主板和显卡上的供电模块也是它们各自的心脏，搭载在身上的各种芯片能否正常工作，就看它们的供电电路是否足够强悍了。因此，在我们的显卡和主板评测中，它们的供电模块会是一个很重要的评分项目。那么主板和显卡上的供电模块由什么元件组成，又是如何工作的呢?今天我们就来扒一扒那些关于板卡供电模块的二三事。

<center><img src="http://mouser.eetrend.com/files/2017-08/wen_zhang_/100007354-23674-k1.j…; alt=“” width="600"></center><center>典型的4相供电电路</center>

CPU和GPU之所以大不相同，是由于其设计目标的不同，它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断，还会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂，而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。

这个视频，非常具象的表述了CPU和GPU在图像处理时的不同的原理和方法。看到GPU的模型喷射出的一瞬间，你就秒懂了。

目前大部分电子产品在用户体验升级方面通常从交互方式入手，而通常的思路就是将传统按键交互来使用GUI来替代。工程师面临着一个设计难题：MCU在图形处理方面相比SoC有着很大的短板，而在某些计算和图形处理方面不是很强的应用(以前使用MCU即可实现的)中，使用SoC跑Linux来实现显得有些过剩，在功耗和效率方面也并不能如人所愿；如果用纯软件图形应用(例如TOUGHGFX)实现的话，效率和处理器的压力也都是问题。

Microchip即瞄准了这一市场空缺，推出了业内首个内建GPU的MCU系列——PIC32MZ DA。近日在北京召开的发布会上，Microchip的32位单片机产品部资深产品营销经理Bill Hutchings对其进行了全面的解读。

如何给MCU加上图形处理能力?

PIC32MZ DA采用90nm工艺，延续了PIC32MZ家族microAptiv的架构，这个架构对标的是ARM的Cortex-M，因此的的确确是一款MCU产品，而非某些厂家的宣传噱头。如本文开头所言，PIC32MZ DA的目标应用是智能电表、门禁、白电、工业HMI和商用电器等。而要将以前单独一颗MPU才能实现的图形处理能力塞进一个MCU里面绝不是那么简单的，据Bill介绍，主要有四个方面的工作来实现：

CPU和GPU之所以大不相同，是由于其设计目标的不同，它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断，还会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂，而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。