GPU在商用应用程序上的部署究竟能带来多少性能提升，这是很多人关心的问题，也许只是个昂贵的噱头，也许会变成数据处理的一个重要组成部分。
GPU在商用应用程序上的部署究竟能带来多少性能提升，这是很多人关心的问题，也许只是个昂贵的噱头，也许会变成数据处理的一个重要组成部分。
许多书籍、文章都用大量的空泛的数据，专业术语来解释GPU在数据处理中的作用，它看起来很好用，而且好像就是未来发展的趋势，特别是在一部分大型架构的信息系统，好像使用GPU来处理数据是必不可少的一部分。
大概从2003年开始，随着科技的发展，我们开始使用GPU来独立处理电脑3D游戏的数据，或者其他对图形要求比较高的程序，如3DS MAX，AUTOCAD，PHOTSHOP等。
GPU逐渐进入了我们视线，包括我们的家用电脑，笔记本，GPU都开始发挥它的作用。但现在，在数据中心Data Center的服务器上，你都可以发现GPU的身影了。
你需要的是哪一种的PU？
数据中心Data Center的出现，将许多终端用户的需要处理的数据交给了数据中心Data Center。那么问题来了，GPU是否也可用通过这种远程协作的方式使用？如虚拟化GPU（简称vGPUs）。随着虚拟化技术的发展，已经可以把GPU应用在虚拟机里使用，这样可以让GPU代替许多CPU的工作。
NVIDIA推出了一种新的vGPU技术，并在2012年成功的引入了VGX平台，这种技术允许虚拟机和宿主机共享一个或者多个GPU核心，就像一个数据中心Data Center的群集一样，GPU资源可以共享。这种vGPU的虚拟化技术可以大大降低了成本，因为你不必在每一台需要使用GPU计算的服务器上安装相应的GPU硬件。
GPU的核心数量非常多，这和CPU有本质的区别，一般GPU都内置了数百个内核，甚至上千个，GPU的工作原理就是并行计算，在并行处理特定数据的时候，GPU比CPU高效非常多。但在复杂指令计算方面，GPU远远不及CPU，所以GPU和CPU是一种互补的关系，而不是互相代替的关系。
IT部门的建设者应该在建设初期就全面考虑好规划，一部分适合GPU计算的地方就利用GPU并行计算的优势去部署，而不是单单考虑提升CPU的性能。高性能的GPU处理器不是普通的计算处理过程。GPU是用利用高度序列化的处理模式和CPU配合使用，并不是使用高性能GPU就可以搭配低性能的CPU.由于它们的工作侧重点不一样，是一种并行处理的方式，所以不能因为GPU的并行处理能力很强就忽略了CPU的重要性。
假设一个项目对性能的需求非常高，IT规划部门就应该把CPU和GPU的架构比例分清楚。举个例子，一个公司对数据加密，计算要求比较高，但对图形方面的工作涉及比较少，这样的公司对CPU的要求就比GPU高。
其他工业领域，如石油和天然气领域，都越来越依赖于实时可视化的操作。如地质的探索任务，地质学家一定要在实时查看地下地震活动。在这种对图形实时处理需求很高而且受环境制约的环境，GPU部署在数据中心Data Center比部署在现场好，科学家在现场只需要将探测的数据交回数据中心Data Center处理，之后再接收传回的处理完的数据。这也就是数据中心Data Center为什么越来越多的部署GPU进行数据处理的原因。
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
