1. 寫了啥

CPU和GPU作為電子計算機的重要部件，在近年來受到工業界的廣泛關注，正處於高速迭代的發展期。發展到今日，CPU與GPU同作為計算部件，在應用場景上已經出現明顯的區別，與之對應的，二者在結構上，也大不相同。

CPU全稱為中央處理器，是一塊超大規模的整合電路板，與內部儲存器和輸入輸出裝置一起被稱為計算機的三大核心部件。從最早的Intel4004和Intel8008，經歷數個階段的發展迭代，現在已經成為集處理指令順序，執行操作，控制時間，進行復雜計算為一體的運算核心和控制核心，電子計算機的“大腦”。目前工業界的主流產品是Intel i5和i7系列。

GPU全稱為圖形處理器，是計算機顯示卡的核心部件。在個人電腦上，GPU通常被用於2D和3D圖形處理，即進行復雜的數學和幾何計算。但近幾年來，由於GPU在浮點計算和平行計算上，擁有極其出色的效能，甚至超越了CPU的數十倍，使其被廣泛使用在資料探勘，深度學習等需要大量重複計算的工程之中。目前，主流GPU廠商NVIDIA生產的GTX和GT系列顯示卡佔據了市場較大份額，而同為NVIDIA生產的Titan V目前效能最為強大。

本文立足於目前CPU和GPU的發展現狀，討論了CPU和GPU的物理結構之間的異同。事實上，CPU與GPU在構造上有很大的區別，由於GPU需要滿足大量重複的圖形計算，計算單元佔據了絕大部分體積，CPU由於綜合性能的要求，還需要一定數量的儲存單元和控制單元。除了在物理結構上的不同，本文還將討論兩者在效能和應用場景的具體區別。除此之外，還將簡要介紹CPU和GPU協同工作的並行處理機制，這是當前本領域的研究熱點。

2. 物理結構

2.1 計算單元

如圖1所示^[1]，在CPU與GPU中,都存在一種結構佔據了大量的體積空間，即ALU(arithmetic and logic unit)，算術邏輯單元為CPU和GPU提供了強大的邏輯計算能力，滿足基本的計算功能。但其中不同在於，GPU的計算單元佔比遠高於CPU，這導致了GPU擁有在單一的邏輯運算中效能遠高於CPU的特性。除此之外，如圖2所示^[2]

圖1 CPU與GPU物理結構對比^[1]

2.2 控制單元和儲存單元

除了在ALU上的差異之外，CPU和GPU在控制單元和儲存單元上也有很大區別，如圖一所示。CPU作為中央處理器，要處理指令順序，安排操作執行的順序，所以有很大體積的控制單元和儲存單元，其中儲存單元Cache為CPU提供了快速I/O的能力，I/O的速度將影響CPU處理指令集的速度，從而影響計算機的響應速度。而GPU僅具有少量的簡單控制單元和小型儲存單元，其作用是控制多執行緒合併處理和儲存少量的並行執行指令。

圖2 CPU與GPU計算核心數量示意圖^[2]

 特性和應用場景對比

 特性

由於物理結構的不同，CPU和GPU具有完全不同的特性。CPU存在大量的控制和儲存單元，導致其擁有強大的分支處理能力，可以將來自不同地方的指令調整順序，使命令按次序順利和高效執行。同時由於具有一定的計算單元，所以也可以處理一些序列計算任務，多核CPU則可以處理一些簡單的並行任務。

GPU僅具有極大數量的ALU，和少量用於輔助的控制和儲存單元，所以其特性也是單一的強大計算能力。又因為ALU往往被劃分為多個計算核心，所以GPU適合於處理大型的重複計算任務，因為重複計算任務往往更容易並行化。

事實上，CPU和GPU在計算方面的差異正是複雜程度和規模程度，對於複雜的邏輯計算，往往在邏輯上難以並行劃分，只能按照邏輯順序序列處理，這種情況下因為CPU具有更快的記憶體讀寫速度，往往表現更加優異。相反，對於邏輯簡單但規模龐大的計算問題，例如大型矩陣的運算，往往易於並行化，自然GPU在效能上的表現更加優異。在（劉進鋒，郭雷；2011）中，比較了CPU和GPU在矩陣乘法運算上的效能。對於矩陣規模為1024的矩陣乘法，GPU上的最佳實現比CPU上的最佳實現快了大約6倍^[3]。同樣的，在（劉勇，蘇軍； 2010）中，在快速傅立葉變換上比較了CPU和GPU的運算時間，CPU耗時高達GPU的40倍^[4]。

 應用場景

由於特性上的差異，CPU與GPU適用於不同的應用場景，從適用範圍上來看，CPU要更勝一籌。

CPU擁有強大的指令處理和計算能力，往往用於進行電子計算機的核心工作，即解釋計算機指令和處理計算機軟體中的資料。事實上，在大多數的個人電腦中，使用者和軟體都會不斷地產生指令流，而處理指令流之間執行的先後順序，就是CPU要完成的一個重要工作。CPU將從I/O裝置接收到的指令集儲存在儲存單元中，然後按照一定的規則，取出相應的指令，並轉化成對應的操作控制訊號，傳送給所屬的計算機部件。

除此之外，CPU還要負責處理計算機軟體所產生的資料。考慮到軟體資料型別多樣而且處理邏輯複雜，所以CPU往往在這類資料上表現出更優異的效能。

GPU相對於CPU而言，擁有單一的強大平行計算能力，所以用途往往是需要大規模平行計算的場景。早期GPU多被用於2D和3D圖形的計算和處理，因為圖形資料的處理往往涉及到大量的大型矩陣運算，計算量大但易於並行化。在近些年來，由於大資料成為了計算機學術界的研究熱點。所以GPU也常常被用於需要大量重複計算的資料探勘領域，如研究機器學習，深度學習，雲端計算等方向的研究機構，往往使用以GPU為計算核心的大型伺服器作為硬體平臺。

聯合CPU和GPU的並行處理機制

事實上，由於CPU和GPU各自在處理和計算上有著強大的效能，關於CPU和GPU的聯合處理方案一直是學術界和工業界研究的熱點。在（盧風順，宋君強等； 2011）中提出，CPU/GPU異構混合並行系統以其強勁計算能力、高性價比和低能耗等特點成為新型高效能運算平臺^[5]。在（張雲雷，李軻等； 2017）中，研究了基於CPU/GPU的雷達脈衝壓縮演算法並行機制^[6]。除了學術界，在工業界，使用GPU加速計算機軟體執行也是一大課題。GPU廠商NVIDIA一直致力於研究科學，工程，消費和企業應用程式的GPU加速計算，並取得了顯著的成果。

但正如（盧風順，宋君強等； 2011）中所言，CPU/GPU協同平行計算屬於新興研究領域，其中還有很多挑戰有待解決。同時，目前主流的個人計算機軟體並沒有很好的並行工作能力，這仍然需要技術和行業的持續發展。

總結

CPU和GPU作為電子計算機的重要部件，無論是從物理結構上，還是從效能特性以及應用場景上，都有著很大的區別。相較於擔負計算機核心大腦功能，負責處理調配計算機指令的CPU，GPU提供單一強勁的多計算核心用於滿足圖形處理，資料探勘等大規模並行重複計算的需要。CPU和GPU作為不同應用場景的處理器，在目前的科技水平下，都是個人計算機中不可缺少的組成部分。

而根據二者的特點以及當下的發展趨勢，未來可能會出現成熟的CPU與GPU並行處理方案，在CPU與GPU互補的情況下，可以極大的提高計算機的計算能力和軟體響應速度，同時也將大大降低計算產生的功耗，從而大大降低個人計算機的體積重量，帶來更好的使用者體驗。 

參考文獻

[1] NVIDIA. NVIDIA CUDA Documentation[DB/OL].http://www.nvidia.cn/object/cuda_develop_cn_old.html, 2018-03-08

/object/what-is-gpu-computing-cn.html,2018-03-08

[3] 劉進鋒, 郭雷. CPU與GPU上幾種矩陣乘法的比較與分析[J]. 計算機工程與應用, 2011, 47(19):9-11.

[4]劉勇, 蘇軍. 基於CPU與GPU/OpenCL的快速傅立葉變換的實現和效能比較[J]. 科技資訊, 2010, 2(17):545+600.

[5]盧風順, 宋君強, 銀福康,等. CPU/GPU協同平行計算研究綜述[J]. 電腦科學, 2011, 38(3):5-9.

[6]彭培, 張雲雷, 李軻,等. 基於CPU/GPU處理器的雷達脈衝壓縮演算法並行機制研究[J]. 艦船電子工程, 2017(10):30-32.