Uživatelské nástroje

Nástroje pro tento web


it:hw:gpu

Grafické procesory (GPU) a jejich výkon

GPU (Graphics Processing Unit) je specializovaný elektronický obvod navržený pro rychlou manipulaci s pamětí a urychlení vytváření obrazů v paměťovém rámci (framebufferu) určeném pro výstup na displej. Na rozdíl od CPU, které je navrženo pro sériové zpracování složitých úloh, je GPU optimalizováno pro masivně paralelní výpočty.

1. Architektura: Proč je GPU jiné než CPU?

Zatímco CPU (procesor) má několik výkonných jader optimalizovaných pro sekvenční logiku (rozhodování „pokud-pak“), GPU se skládá z tisíců menších, efektivních jader navržených pro současné provádění stejné matematické operace nad velkým množstvím dat.

  • Paralelismus: Ideální pro grafiku (každý pixel na obrazovce lze vypočítat nezávisle) a maticovou algebru (základ AI).
  • Video RAM (VRAM): GPU má vlastní dedikovanou paměť s extrémně vysokou propustností (standardy GDDR6, GDDR6X, HBM3).
  • Specializovaná jádra: Moderní GPU obsahují specifické bloky:
    • RT jádra (Ray Tracing): Pro simulaci fyzikálního chování světla.
    • Tensor jádra: Pro akceleraci výpočtů hlubokého učení (AI).

2. Klíčové parametry výkonu

Při posuzování výkonu GPU sledujeme několik metrik:

  • TFLOPS (Teraflops): Počet bilionů operací s plovoucí desetinnou čárkou za sekundu. Je to hrubé měřítko výpočetního výkonu.
  • Počet jader (CUDA cores / Stream Processors): Čím více jader, tím více paralelních výpočtů najednou.
  • Propustnost paměti (Memory Bandwidth): Udává se v GB/s. Určuje, jak rychle může GPU přistupovat k datům ve VRAM.
  • TDP (Power Limit): Spotřeba energie, která přímo koreluje s tepelným vyzařováním a potenciálním výkonem.

3. GPGPU: GPU jako obecný procesor

Koncept GPGPU (General-Purpose computing on Graphics Processing Units) umožnil využít výkon grafických karet pro úlohy, které nesouvisejí s grafikou:

  • Umělá inteligence (AI): Trénování velkých jazykových modelů (LLM) probíhá téměř výhradně na GPU.
  • Kryptografie: Těžba kryptoměn založených na Proof-of-Work.
  • Simulace: Předpověď počasí, dynamika kapalin, molekulární modelování.

4. Softwarová rozhraní (API)

Aby mohl software s GPU komunikovat, potřebuje standardizované rozhraní:

  • Grafická API: DirectX (Windows), Vulkan (open-source), Metal (Apple).
  • Výpočetní API: CUDA (uzavřená platforma NVIDIA, standard v AI), OpenCL (otevřený standard).

5. Integrovaná vs. Dedikovaná grafika

Typ Umístění Výhody Nevýhody
Integrovaná (iGPU) Součást balení CPU. Nízká spotřeba, nízká cena. Sdílí RAM s CPU, nízký výkon.
Dedikovaná (dGPU) Samostatná karta v PCIe slotu. Obrovský výkon, vlastní VRAM. Vysoká cena, velká spotřeba a teplo.

Související články:

Tagy: hw gpu hardware graphics ai cuda nvidia amd

it/hw/gpu.txt · Poslední úprava: autor: admin