gpu算法

1. 用Gpu做算法要大显存吗

GPU是显示卡的一部分，而不是深度学习算法的一部分，叫做图形处理器。
显示卡的基本作用是控制电脑的图形输出，安装在电脑主板的扩展槽中，或者集成在主板上，工作在中央处理器和显示器之间。
显示卡主要包括图像处理器、显存、数模转换器、AGP总线接口等几个部分，数据流从中央处理器流出后，要把中央处理器传来的数据送到图像处理器中进行处理，把芯片处理完的数据送入显存，把显存读取出数据送到数模转换器进行数据转换的工作，从数模转换器进入显示器。ß显存是显示卡的核心部件，存放显示芯片处理后的数据，显存越大，显示卡支持的最大分辨率越大。显存的容量至少是逗水平分辨率*垂直分辨率*log2颜色数/8地。
希望我能帮助你解疑释惑。

2. GPU-Z的计算公式

GPU-Z中像素填充率、纹理填充率、显存带宽的计算公式：
(1)像素填充率是指显卡在每个单位时间内所能渲染的像素数量，单位是GPixel/s（每秒十亿像素）
像素填充率（Pixel Fillrate）=核心频率(GPU Clock)×光栅单元数目/1000
费米框架得显卡像素填充率（Pixel Fillrate）=SM阵列×2×核心频率
(2)纹理填充率是指显卡在每个单位时间内所能处理的纹理贴图数量，单位是GTexel/s（每秒十亿纹理）
纹理填充率（Texture Fillrate）=核心频率(GPU Clock)×纹理单元数目/1000
(3)显存位宽是指显存在一个时钟周期内所能传送数据的字节数，单位是GB/s（每秒十亿字节）
显存带宽（Band width）=显存位宽(Bus Width)×显存等效频率/8
以如图Geforce GTX670为例，核心频率1059MHz，显存频率1502MHz，光栅单元32个，纹理单元112个，
像素填充率（Pixel Fillrate）=16×2×0.608=19.456GPixel/S
纹理填充率（Texture Fillrate）= 608×64/1000 = 38.912 GTexel/s
显存带宽（Band width）= 384×(854×4)/8 = 163.968 GB/s
注意：计算显存带宽时要留意显存类型(Memory Type)，对于GDDR1/2/3/4显存，其数据总线都是采用的DDR技术(通过差分时钟在上升沿和下降沿都进行数据传输，其一个周期传输两次数据，相当于SDRAM频率的2倍)，故其显存等效频率=显存频率×2；而GDDR5则不同，它有两条数据总线，相当于Rambus的QDR技术，传输能力相当于SDRAM频率的4倍，所以显存等效频率=显存频率×4.

3. GPU计算和GPU通用计算的区别

GPU越来越强大，GPU为显示图像做了优化之外，在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像计算以外的目的，也就是超于游戏，使得GPU能够发挥其强大的运算能力。
1、虽然我们看到CPU和GPU在运算能力上面的巨大差距，但是我们要看看他们设计之初所负责的工作。CPU设计之初所负责的是如何把一条一条的数据处理玩，CPU的内部结构可以分为控制单元、逻辑单元和存储单元三大部分，三个部分相互协调，便可以进行分析，判断、运算并控制计算机各部分协调工作。其中运算器主要完成各种算术运算(如加、减、乘、除)和逻辑运算( 如逻辑加、逻辑乘和非运算); 而控制器不具有运算功能,它只是读取各种指令,并对指令进行分析,作出相应的控制。
2、通常,在CPU中还有若干个寄存器,它们可直接参与运算并存放运算的中间结果。CPU的工作原理就像一个工厂对产品的加工过程：进入工厂的原料（程序指令），经过物资分配部门（控制单元）的调度分配，被送往生产线（逻辑运算单元），生产出成品（处理后的数据）后，再存储在仓库（存储单元）中，最后等着拿到市场上去卖（交由应用程序使用）。在这个过程中，从控制单元开始，CPU就开始了正式的工作，中间的过程是通过逻辑运算单元来进行运算处理，交到存储单元代表工作的结束。数据从输入设备流经内存，等待CPU的处理。
3、而GPU却从最初的设计就能够执行并行指令，从一个GPU核心收到一组多边形数据，到完成所有处理并输出图像可以做到完全独立。由于最初GPU就采用了大量的执行单元，这些执行单元可以轻松的加载并行处理，而不像CPU那样的单线程处理。另外，现代的GPU也可以在每个指令周期执行更多的单一指令。例如，在某些特定环境下，Tesla架构可以同时执行MAD+MUL or MAD+SFU。

4. 什么是 GPU 计算

从用户的角度而言，应用程序只是运行速度比从前快了很多。 CPU + GPU 是一个强大的组合，因为 CPU 包含几个专为串行处理而优化的核心，而 GPU 则由数以千计更小、更节能的核心组成，这些核心专为提供强劲的并行性能而设计。 程序的串行部分在 CPU 上运行，而并行部分则在 GPU 上运行。 通过运用我们目录中所列的任意 GPU 加速应用程序，大多数客户能够立即享受到 GPU 计算的优势。 该目录重点列举了一百多款行业领先的应用程序。对开发者来说，GPU 计算拥有由各大软件开发商旗下工具和库所组成的巨大生态系统。 更快地运行你的 GPU 加速代码试用Tesla K20 GPU 加速器。 了解更多信息GPU 计算的历史 图形芯片最开始被用作固定函数的图形流水线。经过多年的发展，这些图形芯片的可编程性逐渐增强，从而使第一颗 NVIDIA�0�3 GPU 得以问世。 在 1999-2000 年间，计算机科学家和医学成像以及电磁学领域中的研究者开始使用 GPU 来加速一系列的科学应用。这就是所谓的“GPGPU”或GPU 通用计算运动 虽然用户取得了前所未有的性能 (在某些情形中实现了比 CPU 高 100 倍的性能)，然而难题是 GPGPU 需要使用 OpenGL 和 Cg 等图形编程 API 来对 GPU 进行编程。 这样便限制了人们利用 GPU 的强大处理能力来为科学加速。 所有NVIDIA�0�3 GPU GeForce、 NVIDIA�0�3 Quadro 以及 NVIDIA�0�3 Tesla) 均支持 GPU 计算和 CUDA�0�3 并行编程模型。开发者几乎在任意平台上均可运用 NVIDIA�0�3 GPU，这些平台包括最新的苹果MacBook Pro。 然而，我们建议使用 NVIDIA�0�3 Tesla GPU 来处理那些强调可靠性与整体性能的工作。 如需了解更多细节，敬请参阅“为什么选择 NVIDIA�0�3 Tesla”。 NVIDIA�0�3 Tesla GPU 完全专为加速科学技术计算工作而设计。最新的 NVIDIA�0�3 Tesla GPU 基于“Kepler 架构”中的诸多创新特性，与上一代架构相比，可提供三倍的性能，双精度浮点性能高达 1 Teraflops 以上，同时还大幅提升了可编程性和效率。Kepler 是世界上最快、最节能的高性能计算 (HPC) 架构。 NVIDIA�0�3 意识到了将这种性能提供给更广阔的科学界的潜力，因此投入力量修改 GPU，让开发者能够对 GPU 充分编程，使其能够无缝地运用 C、C++ 以及Fortran 等熟悉的语言。

5. gpu现在一般都用什么算法，基本原理是什么

你可以参考 苹果第一代显卡
那个是用74电路 搭出来的 你可以看出逻辑表达式来反推算法
现在的基本多是技术秘密了吧
基本的架构 可以从显卡厂商官网上查到

6. GPU算法工程师是做什么的

一、算法工程师简介（通常是月薪15k以上，年薪18万以上，只是一个概数，具体薪资可以到招聘网站如拉钩，猎聘网上看看）算法工程师目前是一个高端也是相对紧缺的职位；算法工程师包括音/视频算法工程师（通常统称为语音/视频/图形开发工程师）、图像处理算法工程师、计算机视觉算法工程师、通信基带算法工程师、信号算法工程师、射频/通信算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师、控制算法工程师（云台算法工程师，飞控算法工程师，机器人控制算法）、导航算法工程师（@之介感谢补充）、其他【其他一切需要复杂算法的行业】专业要求：计算机、电子、通信、数学等相关专业；学历要求：本科及其以上的学历，大多数是硕士学历及其以上；语言要求：英语要求是熟练，基本上能阅读国外专业书刊，做这一行经常要读论文；必须掌握计算机相关知识，熟练使用仿真工具MATLAB等，必须会一门编程语言。算法工程师的技能树（不同方向差异较大，此处仅供参考）1 机器学习2 大数据处理：熟悉至少一个分布式计算框架Hadoop/Spark/Storm/ map-rece/MPI3 数据挖掘4 扎实的数学功底5 至少熟悉C/C++或者java，熟悉至少一门编程语言例如java/python/R加分项：具有较为丰富的项目实践经验（不是水论文的哪种）二、算法工程师大致分类与技术要求（一）图像算法/计算机视觉工程师类包括图像算法工程师，图像处理工程师，音/视频处理算法工程师，计算机视觉工程师要求l 专业：计算机、数学、统计学相关专业；l 技术领域：机器学习，模式识别l 技术要求：（1） 精通DirectX HLSL和OpenGL GLSL等shader语言，熟悉常见图像处理算法GPU实现及优化；（2） 语言：精通C/C++；（3） 工具：Matlab数学软件，CUDA运算平台，VTK图像图形开源软件【医学领域：ITK，医学图像处理软件包】（4） 熟悉OpenCV/OpenGL/Caffe等常用开源库；（5） 有人脸识别，行人检测，视频分析，三维建模，动态跟踪，车识别，目标检测跟踪识别经历的人优先考虑；（6） 熟悉基于GPU的算法设计与优化和并行优化经验者优先；（7） 【音/视频领域】熟悉H.264等视频编解码标准和FFMPEG，熟悉rtmp等流媒体传输协议，熟悉视频和音频解码算法，研究各种多媒体文件格式，GPU加速；应用领域：（1） 互联网：如美颜app（2） 医学领域：如临床医学图像（3） 汽车领域（4） 人工智能相关术语：（1） OCR：OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程（2） Matlab：商业数学软件；（3） CUDA： (Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台（由ISA和GPU构成）。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题（4） OpenCL: OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU，GPU或其他类型的处理器组成。（5） OpenCV：开源计算机视觉库；OpenGL：开源图形库；Caffe：是一个清晰，可读性高，快速的深度学习框架。（6） CNN：（深度学习）卷积神经网络（Convolutional Neural Network）CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。（7） 开源库：指的是计算机行业中对所有人开发的代码库，所有人均可以使用并改进代码算法。（二）机器学习工程师包括机器学习工程师要求l 专业：计算机、数学、统计学相关专业；l 技术领域：人工智能，机器学习l 技术要求：（1） 熟悉Hadoop/Hive以及Map-Rece计算模式，熟悉Spark、Shark等尤佳；（2） 大数据挖掘；（3） 高性能、高并发的机器学习、数据挖掘方法及架构的研发；应用领域：（1）人工智能，比如各类仿真、拟人应用，如机器人（2）医疗用于各类拟合预测（3）金融高频交易（4）互联网数据挖掘、关联推荐（5）无人汽车，无人机相关术语：（1） Map-Rece：MapRece是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Rece（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。（三）自然语言处理工程师包括自然语言处理工程师要求l 专业：计算机相关专业；l 技术领域：文本数据库l 技术要求：（1） 熟悉中文分词标注、文本分类、语言模型、实体识别、知识图谱抽取和推理、问答系统设计、深度问答等NLP 相关算法；（2） 应用NLP、机器学习等技术解决海量UGC的文本相关性；（3） 分词、词性分析、实体识别、新词发现、语义关联等NLP基础性研究与开发；（4） 人工智能，分布式处理Hadoop；（5） 数据结构和算法；应用领域：口语输入、书面语输入、语言分析和理解、语言生成、口语输出技术、话语分析与对话、文献自动处理、多语问题的计算机处理、多模态的计算机处理、信息传输与信息存储 、自然语言处理中的数学方法、语言资源、自然语言处理系统的评测。相关术语：（2） NLP：人工智能的自然语言处理，NLP (Natural Language Processing) 是人工智能（AI）的一个子领域。NLP涉及领域很多，最令我感兴趣的是“中文自动分词”（Chinese word segmentation）：结婚的和尚未结婚的【计算机中却有可能理解为结婚的“和尚“】（四）射频/通信/信号算法工程师类包括3G/4G无线通信算法工程师， 通信基带算法工程师，DSP开发工程师（数字信号处理），射频通信工程师，信号算法工程师要求l 专业：计算机、通信相关专业；l 技术领域：2G、3G、4G，BlueTooth（蓝牙），WLAN，无线移动通信, 网络通信基带信号处理l 技术要求：（1） 了解2G，3G，4G，BlueTooth，WLAN等无线通信相关知识，熟悉现有的通信系统和标准协议，熟悉常用的无线测试设备；（2） 信号处理技术，通信算法；（3） 熟悉同步、均衡、信道译码等算法的基本原理；（4） 【射频部分】熟悉射频前端芯片，扎实的射频微波理论和测试经验，熟练使用射频电路仿真工具（如ADS或MW或Ansoft）；熟练使用cadence、altium designer PCB电路设计软件；（5） 有扎实的数学基础，如复变函数、随机过程、数值计算、矩阵论、离散数学应用领域：通信VR【用于快速传输视频图像，例如乐客灵境VR公司招募的通信工程师（数据编码、流数据）】物联网，车联网导航，军事，卫星，雷达相关术语：（1） 基带信号：指的是没有经过调制（进行频谱搬移和变换）的原始电信号。（2） 基带通信（又称基带传输）：指传输基带信号。进行基带传输的系统称为基带传输系统。传输介质的整个信道被一个基带信号占用.基带传输不需要调制解调器，设备化费小，具有速率高和误码率低等优点,.适合短距离的数据传输，传输距离在100米内，在音频市话、计算机网络通信中被广泛采用。如从计算机到监视器、打印机等外设的信号就是基带传输的。大多数的局域网使用基带传输，如以太网、令牌环网。（3） 射频：射频（RF）是Radio Frequency的缩写，表示可以辐射到空间的电磁频率（电磁波），频率范围从300KHz～300GHz之间（因为其较高的频率使其具有远距离传输能力）。射频简称RF射频就是射频电流，它是一种高频交流变化电磁波的简称。每秒变化小于1000次的交流电称为低频电流，大于10000次的称为高频电流，而射频就是这样一种高频电流。高频(大于10K)；射频（300K-300G）是高频的较高频段；微波频段（300M-300G）又是射频的较高频段。【有线电视就是用射频传输方式】（4） DSP：数字信号处理，也指数字信号处理芯片（五）数据挖掘算法工程师类包括推荐算法工程师，数据挖掘算法工程师要求l 专业：计算机、通信、应用数学、金融数学、模式识别、人工智能；l 技术领域：机器学习，数据挖掘l 技术要求：（1） 熟悉常用机器学习和数据挖掘算法，包括但不限于决策树、Kmeans、SVM、线性回归、逻辑回归以及神经网络等算法；（2） 熟练使用SQL、Matlab、Python等工具优先；（3） 对Hadoop、Spark、Storm等大规模数据存储与运算平台有实践经验【均为分布式计算框架】（4） 数学基础要好，如高数，统计学，数据结构l 加分项：数据挖掘建模大赛；应用领域（1） 个性化推荐（2） 广告投放（3） 大数据分析相关术语Map-Rece：MapRece是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Rece（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。（六）搜索算法工程师要求l 技术领域：自然语言l 技术要求：（1） 数据结构，海量数据处理、高性能计算、大规模分布式系统开发（2） hadoop、lucene（3） 精通Lucene/Solr/Elastic Search等技术，并有二次开发经验（4） 精通Lucene/Solr/Elastic Search等技术，并有二次开发经验；（5） 精通倒排索引、全文检索、分词、排序等相关技术；（6） 熟悉Java，熟悉Spring、MyBatis、Netty等主流框架；（7） 优秀的数据库设计和优化能力，精通MySQL数据库应用 ；（8） 了解推荐引擎和数据挖掘和机器学习的理论知识，有大型搜索应用的开发经验者优先。（七）控制算法工程师类包括了云台控制算法，飞控控制算法，机器人控制算法要求l 专业：计算机，电子信息工程，航天航空，自动化l 技术要求：（1） 精通自动控制原理（如PID）、现代控制理论，精通组合导航原理，姿态融合算法，电机驱动，电机驱动（2） 卡尔曼滤波，熟悉状态空间分析法对控制系统进行数学模型建模、分析调试；l 加分项：有电子设计大赛，机器人比赛，robocon等比赛经验，有硬件设计的基础；应用领域（1）医疗/工业机械设备（2）工业机器人（3）机器人（4）无人机飞控、云台控制等（八）导航算法工程师要求l 专业：计算机，电子信息工程，航天航空，自动化l 技术要求（以公司职位JD为例）公司一（1）精通惯性导航、激光导航、雷达导航等工作原理；（2）精通组合导航算法设计、精通卡尔曼滤波算法、精通路径规划算法；（3）具备导航方案设计和实现的工程经验；（4）熟悉C/C++语言、熟悉至少一种嵌入式系统开发、熟悉Matlab工具；公司二（1）熟悉基于视觉信息的SLAM、定位、导航算法，有1年以上相关的科研或项目经历；（2）熟悉惯性导航算法，熟悉IMU与视觉信息的融合;应用领域无人机、机器人等。

7. 跑dqn算法需要cpu还是gpu

dqn里面有大量的卷积的浮点运算，所以用gpu比较好，gpu能比较高效的处理float乘法。当然我们也需要cpu来进行数据的搬移和gpu的相关配置。

8. 如何测试GPU计算卡

如何测试GPU计算卡，解答如下

• GPU-Z的检测信息是显卡发布后将各品牌型号显卡的bios信息加入到软件中，GPU-Z就是靠检测显卡bios来匹配并显示显卡信息的。所以某显卡发布之前的旧版CPU-Z是无法正确显示该显卡的信息的。

• 你这两个GPU-Z都是旧版，所以两个都不准。10603G版有1152个流处理器，72个纹理单元。

• 你这两个GPU-Z都显示有96个纹理单元，都是不正确的。6G版1060有48个光栅单元，3G版我也不确定是否阉割，但是绝对不可能是24个这么少。

• 目前GPU-Z最新版是1.10.0版，因为GTX10603G版显卡是8月中旬发布的，而最新GPU-Z1.10.0版是8月11日发布的，所以1.10.0版也不见得就一定准。

• 你可以下个1.10.0版看看准不准，如果不准就等下个GPU-Z版本更新吧。

9. GPU和显卡里面的计算核心有什么区别

首先请理清几个概念，不要搞错了。

GPU，通俗来讲就是显卡身上的“CPU”，负责图形计算的芯片，每块显卡身上必定有一颗GPU芯片才能称之为显卡，无论集成显卡、核心显卡、独立显卡，其主体都是一颗GPU芯片（顶级双芯显卡有两颗，但并没有你误会的那样有11颗GPU芯片的显卡，那是名称上搞错了，我们下面再谈）。GPU决定着显卡的性能、功能、档次、价格、以及功耗发热。

GPU既然是类似CPU那样的计算芯片，那么其架构设计就影响着性能、效率、功耗等指标，并且和CPU一样其芯片架构主要由计算单元、控制单元、储存单元组成，以北极星架构的RX480为例，GPU芯片架构图如下：

（上图大体划出了三类单元的集中地，以便理解，但实际上光是计算单元里的每个小单元也都独立包含着控制单元和储存单元）

RX480的GPU芯片内部设计如上图，计算单元划分为36个CU计算核心，每个CU核心又包含了64个流处理器计算核心，所以总共就是36X64=2304个流处理器计算核心。人们通常把流处理器的数量做为计算核心计数，很少以CU来算。

很多初学者只看到计算核心几个字，并不了解实际指的是哪类“核心”，就很容易搞错了。

比如R5 2400G里的集成显卡GPU部分，包含了11个CU核心，每个CU又包含了64个流处理器，所以总共就是11X64=704个计算核心，并不是你误认为的11个GPU核心。