Tesla

Beschleunigtes Computing
Die wichtigsten Herausforderungen der Welt meistern
Beschleunigtes Computing - Die wichtigsten Herausforderungen der Welt meistern

WAS IST GPU COMPUTING?

Beim GPU Computing (oder auch „Grafikprozessor-beschleunigten Berechnungen“) wird der Grafikprozessor (GPU) gemeinsam mit der CPU zur Beschleunigung von Deep Learning-, Analyse- und Konstruktionsanwendungen eingesetzt. Im Jahr 2007 führte NVIDIA beschleunigende Grafikprozessoren ein, die mittlerweile weltweit von Regierungen, Universitäten, Großkonzernen und mittelständischen Unternehmen für den Betrieb leistungseffizienter Rechenzentren zum Einsatz kommen. Sie spielen eine wichtige Rolle bei der Beschleunigung von Anwendungen auf Plattformen, die von künstlicher Intelligenz über Autos und Drohnen bis hin zu Robotern reichen..

SO BESCHLEUNIGEN GRAFIKPROZESSOREN DIE ANWENDUNGEN

Grafikprozessor-beschleunigte Berechnungen lagern rechenintensive Teile der Anwendung auf den Grafikprozessor aus, während der übrige Code wie immer auf der CPU läuft. Aus Sicht des Benutzers laufen die Anwendungen einfach deutlich schneller.

How GPU Acceleration Works
 

Die Leistung von Grafikprozessor und Hauptprozessor im Vergleich

Der Unterschied zwischen Grafikprozessor und CPU lässt sich am besten anhand der Art und Weise darlegen, wie Aufgaben jeweils verarbeitet werden. Eine CPU besteht aus einigen wenigen Recheneinheiten, die für die serielle Verarbeitung aufeinanderfolgender Daten optimiert sind. In einem Grafikprozessor hingegen steckt eine massiv-parallele Architektur mit Tausenden kleinerer, effizienterer Recheneinheiten, die dafür entwickelt wurden, mehrere Aufgaben gleichzeitig zu übernehmen.

 

Grafikprozessoren verfügen über Tausende Recheneinheiten für die effiziente Ausführung paralleler Berechnungen

GPU Vs GPU: Which is better?

Das Video unten präsentiert einen unterhaltsamen Vergleich zwischen CPUs und Grafikprozessoren

Das Video unten präsentiert einen unterhaltsamen Vergleich zwischen CPUs und Grafikprozessoren
Video: Mythbusters-Demo: Die Leistung von Grafikprozessor und Hauptprozessor im Vergleich (01:34)

Dank der mehr als 400 beschleunigten HPC-Anwendungendarunter 9 der besten 10— können alle GPU-Benutzer eine erhebliche Steigerung des Durchsatzes ihrer Aufgaben verzeichnen. Finden Sie heraus, ob die von Ihnen verwendeten Anwendungen von einem Grafikprozessor in unserem Anwendungskatalog beschleunigt werden (PDF 1., MB).

LEGEN SIE LOS

Es gibt drei grundlegende Ansätze zum Hinzufügen einer Grafikprozessorbeschleunigung zu Ihren Anwendungen:
  • Integration von Grafikprozessor-optimierten Bibliotheken
  • Hinzufügen von Compiler-Hints für die automatische Code-Parallelisierung
  • Verwenden von Erweiterungen für standardmäßige Programmiersprachen wie C oder Fortran

Die Verwendung von Grafikprozessoren mit dem parallelen CUDA Programmiermodell ist schnell gelernt.

Kostenlose Online-Kurse und Entwickler-Ressourcen finden Sie in der CUDA Zone.

CUDA ZONE BESUCHEN

 
 
 
CUDA und GPU Computing

Was ist GPU Computing?
Wissenswertes über
GPU Computing

Grafikprozessor-Programmierung
Kepler Grafikprozessor-
Architektur

GPU-Cloud-Computing
Kontaktieren Sie Uns

Was ist CUDA?
CUDA Showcase
Was ist CUDA?
CUDA Centers of Excellence
CUDA-Kurskalender
CUDA Forschungszentren
CUDA Ausbildungszentren

Grafikprozessor-Anwendungen

Tesla Grafikprozessor-Anwendungen
Tesla Fallstudien
Tesla Grafikprozessor-Test
OpenACC-Direktiven
GeoInt Accelerator

Tesla Grafikprozessoren
für Server und Workstations

Warum Tesla
Tesla Server-Lösungen
Tesla Workstation-Lösungen
Embedded Entwicklungsplattform
Tesla Grafikprozessoren kaufen

Tesla News
und Informationen

Tesla Produktdokumentation
Tesla Softwaremerkmale
Tesla Software-
Entwicklungstools

NVIDIA Forschung
Tesla Mitteilungen

Aktuelle News Online

NVIDIA Blog NVIDIA Blog

Facebook Facebook

Twitter Twitter

Twitch Twitch

YouTube YouTube