哪种处理器最适合您的业务需求？GPU和CPU如何选择？您需要 GPU 处理能力，还是 CPU 能满足您高度复杂的计算任务？如果您正在考虑购买或升级您的服务器，您应该决定什么最适合您；GPU 或 CPU。本文将介绍 GPU 和 CPU 在速度和性能方面的差异，以帮助您确定两者之间的最佳选择。
当我们开始讨论 GPU 与 CPU 时，我们可以从一开始就告诉您一件事；与 GPU 相比，CPU 的每核成本较高。您可以以大约相同的投资拥有十几个 CPU 内核或几千个 GPU。事实上，500 强超级计算机的大部分新处理能力来自 GPU。那么，GPU和CPU有什么区别呢？让我们仔细看看。
什么是中央处理器(CPU)？
对于初学者来说，CPU 是中央处理器的首字母缩写。CPU是根据逻辑、输出、输入、控制、算术和算法等操作执行程序给出的指令的微处理器。专用服务器使用两个或四个物理 CPU 来执行操作系统的基本操作。另一方面，云 VPS 服务器带有从物理芯片分配的虚拟内核。
通常，如果您的任务需要更快的处理速度，您可以为系统添加更多的 CPU 能力，并为您希望更快执行的任务分配更多的处理器时钟周期。大多数基本服务器运行在 2 到 8 个内核上。强大的服务器拥有 32、64 甚至更多的处理核心。在速度方面，CPU 内核拥有比 GPU 更高的时钟速度，通常为 2 至 4 GHz。
什么是图形处理单元(GPU)？
GPU 代表图形处理单元。GPU 是专为在显卡上使用而设计的处理器芯片。不用于在计算机屏幕上绘图的 GPU，例如服务器中的 GPU，通常称为通用 GPU (GPGPU)。虽然 GPU 的时钟速度低于现代 CPU（通常为 500 到 800 MHz），但每个 GPU 芯片上的内核数量要密集得多。事实上，这是显卡和 CPU 之间最显着的区别之一。连锁反应是 GPU 可以同时执行许多基本任务。
最初，GPU 旨在同时计算数十万个多边形的位置，并确定反射以快速为视频游戏等应用程序渲染图像。但是，您现在可以使用 GPU 来加速涉及大量数据的计算。标准显卡可以承载 700 到 1,000 个处理核心。现代、更强大的显卡可以拥有超过 3,000 个处理器内核。虽然 GPU 核心速度逐渐提高，但仍低于 CPU。最新显卡的核心速度约为每核心 1.2 GHz。
GPU可以代替CPU吗？
首先，重要的是要了解 CPU 与 GPU 协同工作以提高数据吞吐量和应用程序中同时计算的数量。也就是说，GPU 不能完全取代 CPU。相反，当主程序继续在 CPU 上运行时，它通过在应用程序中同时运行重复计算来补充 CPU 功能。您可能希望将 CPU 视为计算机系统或服务器的“大脑”，在 GPU 执行更窄、更专业的任务（通常是数学任务）时协调各种通用任务。通过利用并行性的力量，GPU 可以在相同的时间内完成比 CPU 更多的任务。
那么，为什么不在 GPU 上运行整个系统呢？
当然，GPU 比 CPU 快。但是，另一方面，它们不像 CPU 那样通用。一个主要限制是 GPU 只能同时执行相同的任务，这种机制称为单指令多数据 (SIMD)。因此，假设您正在执行数千个单独的并行计算，例如破解密码哈希。在这种情况下，GPU 可以通过将每个计算作为具有精确指令的单个线程执行而出色地工作。
但是，GPU 对于内核操作（例如打开新索引指针或将文件写入磁盘）会相对较慢。由于速度和内存较低，GPU 会带来更多的操作延迟。另一方面，CPU 具有较低的传输和反应时间（这更好），因为它们针对快速、单一的指令进行了调整。GPU 专为更大的带宽而设计，这解释了为什么它们是并发处理的理想选择。CPU 专为快速个人计算而设计；这就是为什么如果您生成单个密码哈希而不是破解密码哈希，那么您最好使用 CPU。
哪些应用程序最适合在 GPU 上运行？
GPU 在其预期的原始用途中旨在在屏幕上显示图形。那么，您的服务器上需要显卡吗？这得看情况。虽然您的服务器没有监视器，但您可以利用 GPU 执行除在屏幕上绘图之外的任务。
GPU擅长的一些重复性和高度并发的计算任务包括：
- 机器学习
- 风险建模
- 财务模拟
- 结构分析
- 气候模拟
GPU 最流行的用途之一是挖掘比特币等加密货币。由于 GPU 非常适合每秒执行许多浮点运算 (FLOPS)，因此它们非常适合有效挖掘。尽管如此，由于现场可编程网格阵列 (FPGA) 和随后的专用集成电路 (ASIC) 等技术的出现，GPU 不再被大规模用于挖掘加密货币。
哪些任务更适合在 CPU 上运行？
CPU 更擅长执行具有大量难以同时运行的算法的任务。这些包括：
- 不易并行化的实时推理算法
- 用于训练和干扰的大尺寸数据样本，例如 3D 数据
- 依赖顺序数据的循环神经网络
- 需要更大内存来嵌入层的训练和推理应用程序
由于 CPU 专门设计用于允许系统计划和执行内核的组件和时钟速度的调度，因此它们最适合快速处理单个复杂的数学问题。
GPU 与 CPU——它们可以一起工作吗？
当然，您的系统没有允许您将所有计算的 10% 定向到 GPU 的开关。在并发处理情况下，您可能会将命令卸载到 GPU 进行计算，您必须将指令硬编码到执行工作所需的程序中。然而，像 NVidia 这样的制造商和开放资源开发人员提供了用于 Python 或 C++ 等常见编码语言的免费库，允许开发人员在可用的地方利用 GPU 处理。
GPU 与 CPU——如何为工作选择正确的服务器？
正如我们所见，GPU 和 CPU 具有不同的处理能力。决定是否将计算基础设施锚定在 GPU 和/或 CPU 上主要取决于您预期的工作负载和计算环境。在数据中心，充分利用 GPU 和 CPU 至关重要。请记住，系统的整体性能很大程度上取决于硬件、软件和开发人员生态系统的完整性。
您的工作负载需要各种技术，因此利用 GPU 和 CPU 可以将专用和通用处理器整合到您的服务器和设备中，帮助您在节省资金的同时实现更好的性能和效率。毕竟，您的成功取决于将正确的处理器与您的应用程序相匹配的能力。
