|
前言：前些年DIY玩家群体里曾经有个讨论，就是未来显卡或许也可用于计算，那么装机应该把钱投到CPU上多一点，还是投到GPU上多一点？时至今日，AMD和Intel的CPU里面都已经整合了支持用于计算的GPU核心，到底这种把GPU用于计算的技术，“通用计算”，是不是能够为电脑处理加速呢？其实用性有多大？限制又在何处？今天我们就来用简单的实例分析，给大家一个更清晰的通用计算了解。
●越加速越慢，从一个有趣的案例开始说起 在很多人的认识里，通用计算就是CPU+GPU一起用，用GPU协助CPU进行计算，从而得到“1+1”等于或者约等于2的性能提升，加速电脑的计算速度。然而实际是这样么？我们就以一个对比测试来展开今天的话题。
我们今天使用LuxMark来作测试参考，LuxMark是一款由Jromang编写的OpenCL通用计算测试工具，基于开源的LuxRender引擎，能够有效地测试GPU和CPU的OpenCL运算性能，并且还支持CPU+GPU一起运算的加速模式，专业性、可参考性非常强，上面是HD7850单卡的测试成绩：590。
大家不用点开大图就可以看到这张图的成绩，475，比上面的图低很多，难道笔者是换了一张低端的显卡？点开大图大家就可以看到，其实笔者不仅没有换卡，还添加了A6-3670K处理器来协助计算！没错，这是CPU+GPU加速后的成绩，它比GPU单卡成绩还低100分有多——也就是我们今天要说的，越加速反而越慢。 到底这是怎么回事呢？通用计算不应该是用来加速的吗？为何还变慢了？下面我们先来从通用计算的知识讲起。 ●重新认识“通用计算”
通用计算是一个很广泛的概念，我们电脑DIY玩家一般说的“通用计算”指的是“GPU通用计算”，意思就是用显卡GPU来处理一些原本CPU可以处理的计算，又常被称为“异构计算”。 目前通用计算规范主要有三种，NVIDIA独家的CUDA，微软主导的DirectCompute，苹果等多家厂商支持的OpenCL。近期有消息指出Intel下一代核显会大幅强化OpenCL性能，因此我们今天要讲的，主要就是其中的OpenCL。 ----------------------------------------------------------------------------- 小提示：上图这个是Intel出的独显？ 上图是Intel的Xeon至强Phi处理器，具备多达60个核心，和一般的CPU相比，它不仅外观而且内部设计都更像GPU，但是又不是严格意义上的GPU，它是Intel设计给服务器等场合使用的从处理器，能够和服务器CPU搭配发挥惊人的计算能力，可以说是一款很好地体现通用计算理念的产品。 ----------------------------------------------------------------------------- ●为什么需要通用计算
虽然我们已经喊“CPU性能过剩”已经好几年了，但是实际上有些时候电脑的处理速度还不能让我们满意，因此我们需要通用计算。为什么要用显卡来加速处理呢？我们看看上图就懂了，目前一般的CPU就2~4个核心，高端的6~8个，而GPU轻轻松松就有240个，悬殊的设计差异让显卡能在一些CPU处理得慢的应用中取得更高的效率，而这些应用场合就是通用计算的优势，比如文件压缩、视频转码就是典型。 回到我们开头的问题，LuxMark的图形渲染操作是不是GPU处理更有优势呢？答案是肯定的，但是为什么CPU+GPU一起来运算，效率比单独让GPU去运算还底呢？下面我们就深入浅出给大家解析一下。 ----------------------------------------------------------------------------- 1、8楼，敢把单卡跑分时的cpu写出来么？ PConline编辑回复：笔者的确有测跑分，不过这分数有点……不解释。
2、12楼，三大通用，到底哪个强一点？ PConline编辑回复：就效率而言，NVIDIA的CUDA是最好的，毕竟它只要针对自家的显卡优化好就行了，而OpenCL和DirectCompute，由于面向非常广泛的硬件，实际编程起来要相对难一些，而且不可能针对所有硬件都有很好的性能优化。 -----------------------------------------------------------------------------
通用计算似乎能够实现CPU和GPU一起运算，但其实由于GPU并不能读懂CPU的指令，因此他们之间的工作方式不是“合体”，而是“各自为政”。因此实际上OpenCL，或者其他通用计算，都有个任务分工的问题。如果我们点开LuxMark让它全屏化，就会看到软件实际把100%的工作划分成了46.4%和53.6%分别给了GPU和CPU去处理，让它们各自完成自己的工作，然后把结果汇总呈现给用户。 问题来了，如果GPU的处理效率低下，那么情况就会是CPU处理完了GPU还在处理，拖慢了整体的进度；而另一种状况，就是我们上面遇到的，GPU的处理效率比CPU更高，把任务分给CPU做，还不如直接把所有任务给GPU做。 ●这是说现在GPU能够秒杀CPU了吗？ 越加速越慢的问题出在CPU处理效率上，那么是否说GPU已经足以秒杀CPU，以后大家装电脑就买强力显卡搭配垃圾CPU就行了呢？完全不是，这只是“术业有专攻”，它们有着不同的处理方式，如果论规格，如逻辑判断力、运算精度，CPU还是要比GPU更强的。那么它们是怎样运作的呢？
我们以扫雷为例来分析，如果能通过电脑自己运算来扫雷，那么CPU的处理风格就像上图所示，它是线性的，而且是快速的，它快速处理完一截雷区，然后就会再处理同样大小的另一截雷区，直到所有雷区全部处理完。
而GPU方面，由于核心数量极多，因此其处理是大规模并发的，形成的处理效果就好像一个面，一块一块雷区地处理，但是单个雷块的处理速度其实不如CPU，而且也不会因应雷区的形状自动变换处理面的形状，比较僵化，全凭数量形成面去取胜。 如果任务真的就像上面那样，是一个大面积的雷区需要扫雷，那么很明显，GPU的面式处理风格会更有优势。而如果任务是一个只有两行的长条状的雷区，那么GPU的面处理就会有很大部分用不上，结果就是CPU的处理风格更有优势。实际上，大部分任务处理都要求更好的灵活性，而不是更大的覆盖面，因此，说GPU完全秒杀 CPU并不合理。 ●怎样避免出现这种越加速越慢的情况？
如果要坚持CPU+GPU一起运算，怎样避免这种越加速越慢的情况呢？我们来看一个三代i5成功加速的案例，三代i5单CPU默认LuxMark成绩为346分，而加上其自带的核显2500之后，成绩稍微得到了提升，变成了385分，这还是得益于正确的任务量分配。 没错，如果软件能够根据CPU和GPU之间的性能强弱来调整任务量的分配，其实CPU+GPU还是能在大多数通用计算适用场合下实现加速的。比如LuxMark运行的详细参数中就可以看到一个“Prf Idx”的数据，这个就是Performance Index性能指数，通过这个指数，软件能够判断CPU和GPU大概的性能强弱对比，从而按性能大致分配好任务，实现加速，而A6+D7850加速失败，深层原因其实在于A6有个错误的性能指数( 1.15 )，比HD7850( 1.0 )更高，却实际性能更差，因此效果就是非但没有加速，速度还拖得比GPU自己算更慢了。 怎样让软件知道硬件之间的强弱对比呢？建立一个在线的性能指数数据库可能会是最可行的办法。但是这个数据库的建立有个大难点，就是怎样收集相关数据，因为OpenCL面向广泛、不定的硬件，软件不运行过是不会知道哪个硬件的性能更强的，而从硬件厂商角度出发，这种大规模硬件性能对比数据库实在太直接，对于市场营销竞争会有负面效果，因此不会免费提供硬件来做测试，那么跑测试的任务，就自然而然落到各位用户身上了——这不大科学。 因此综合来说，短期之内“越加速越慢”还是个很难根治的难题，把性能的希望寄托在CPU身上还是比较靠谱的。 总结：硬件加速技术虽然能大幅优化部分应用的处理效率，具有很好的应用前景，但它现在其实还处于比较初级的阶段，很多技术难题一时间还不大可能解决，未来如果通用计算变得大行其道，也不会是这两三年内的事，到时候大家的电脑早换代了，因此对于目前来说，高性能的CPU还是非常有必要的。 扩展阅读：通用计算的硬件支持状况如何？
DirectCompute是微软主导的通用计算技术，属于DirectX支持之一，默认最低需要Win7系统才能提供支持。目前的独显、核显都能支持，主要应用在一些游戏方面，比如战地3、尘埃3就是两个采用DirectCompute协助的游戏。
CUDA是NVIDIA的独家技术，只有NVIDIA的显卡能够支持，具有比较强劲的性能和相对容易掌控的编程规范，不过有传言称，为了推广CUDA，NVIDIA有意在驱动里降低了自家显卡的OpenCL性能。CUDA能够实现多种多样的运算加速功能，比如视频加速等。
OpenCL是苹果提出、多家厂商支持的开放性规范，能够对不同架构CPU、GPU等硬件提供支持，理论上可以包括我们的手机CPU和手机GPU。目前OpenCL常见有1.1和1.2两个版本，区别主要在于1.2具备更好的性能优化。OpenCL的硬件支持是比较复杂的，我们分开三家来说： Intel：在一代/二代Core i时代，Intel的核显都并没有提供OpenCL支持，而到了三代Core i，Intel大幅提升核显性能，并加入了OpenCL1.1支持，未来Intel可能会继续强化核显性能，并加入OpenCL1.2支持。 NVIDIA：NVIDIA的OpenCL开始得比较早，不过支持力度并不特别大，毕竟CUDA才是亲儿子。NVIDIA上一代架构费米具备不错的OpenCL性能，新一代开普勒则更加集中到游戏性能上，OpenCL性能似乎不如上一代。NVIDA的OpenCL只能支持1.1版本。 AMD：AMD很重视OpenCL，支持开始得比较早，而且将其作为重要卖点，它所宣传的APU百核加速，很大程度上就是OpenCL应用。目前来说AMD的OpenCL性能是比较强的，而且支持的是1.2版本的OpenCL，性能比NVIDIA和Intel的1.1版本更强。 |
正在阅读：越加速反而越慢？通用计算实用性浅析越加速反而越慢？通用计算实用性浅析
2012-12-17 00:15
出处：PConline原创
责任编辑：liganlin
