CPU与GPU：哪个更适合机器学习，为什么？

今日份知识你摄入了么？

提到CPU，我相信大家都很熟悉，但你是否听说过GPU这个词？如果没有，那么这篇文章就是为你而写！

随着科技的全面发展，处理系统取得了很大进步。因此，我们最好于此时了解最新技术的应用。现在，让我们揭开CPU和GPU（两个最常用的处理系统）的神秘面纱吧！

想象一下，你和你的朋友准备在各自的笔记本电脑上玩一款游戏——《使命召唤》。现在，你拥有一台配备英特尔i7处理器的笔记本电脑——没有显卡，而你的朋友拥有一台配备i3处理器的笔记本电脑——配有还不错的显卡。那么，哪种笔记本电脑能提供更好的游戏体验？也许当我说GPU会表现得更好时，你会说“对对对”（因为这篇文章就是在突出GPU的应用），但你是否知道其中奥秘呢？

（想要全面了解CPU与GPU的关系，可以看一看这个视频：https://youtu.be/VBxST02czp8）

目录

• 什么是CPU和GPU？

• GPU的分类

• CPU的类型

• GPU的类型

• CPU与GPU的市场巨头

• CPU与GPU：主要区别

• CPU与GPU：哪个更适合机器学习，为什么？

什么是CPU和GPU？

CPU代表中央处理器。作为一个通用处理器，它负责执行计算机程序需要运行的大多数指令。CPU可以有多个处理内核，通常被称为“计算机的大脑”。正如“通用处理器”所暗示，它可以处理各种类型的任务，如运行操作系统、运行应用程序、进行复杂运算、处理文档、播放电影和音乐、浏览网页等。

需要记住，CPU会进行顺序处理。打个比方，CPU就像一架战斗机，速度极快且灵活，但一次只能携带少量货物。这架战斗机可以以足够快的速度运送一小块货物，但要运送成千上万的货物，或许需要好几周的时间。

GPU代表图形处理单元，包含许多更小、更专业的内核。当需要处理的任务可以在多个内核之间进行划分时，这些内核可以同时工作，提供极优性能。这是一个只用于特定工作的处理器，在并行计算的帮助下处理图形。它可以卓越地进行3D图形渲染、视频编码和解码、图片处理。GPU，对于游戏或科学模拟等需要大量并行计算的工作尤其重要。GPU内存带宽，指的是单位时间内传输到内存和从内存传输出来的信息量。GPU内存具体指的是GPU消耗的RAM。

GPU的分类

• 集成型：它集成在处理器中，并利用了内部内存。对于集成GPU系统而言，RAM通常被用作GPU内存。

• 专用型：它是一个独立的硬件，具有专用内存。因此，它有助于进行资源密集型工作，如深度学习、高端游戏等；对于专用GPU系统而言，独立/专用RAM通常被用作GPU内存。

CPU的类型

• 英特尔酷睿处理器：作为市场上使用最广泛CPU，英特尔的酷睿系列处理器经常被使用在台式机和笔记本电脑中。

• AMD锐龙处理器：AMD的锐龙系列CPU，价格低廉，性能强劲，旨在与英特尔的酷睿系列处理器竞争。

• ARM处理器：ARM处理器在智能手机和平板电脑等移动设备上很受欢迎，并以节能闻名。

GPU的类型

• NVIDIA GeForce显卡：在游戏玩家中很受欢迎，NVIDIA的GeForce系列显卡为图形密集型工作和游戏提供了出色的性能。

• AMD Radeon显卡：深受玩家喜爱，在价格可承受的范围内，一样能提供出色的性能。

• 集成型GPU：内置GPU是许多CPU的共同特征（尤其对于那些用于移动设备的CPU）。尽管这些GPU缺乏专业显卡的能力，但它们可以完成许多简单的视觉任务。

• AI专用GPU：比如，NVIDIA的特斯拉系列和AMD的Radeon Instinct系列是专门为AI和机器学习活动制造的两个GPU。

CPU与GPU的市场巨头

目前市场上最大的两家CPU制造商是英特尔和AMD，最大的两家GPU制造商是NVIDIA和AMD。

CPU与GPU：主要区别

我们来看一看CPU和GPU在以下参数上的不同之处：

处理速度

• CPU为计算机提供了高效的计算能力，可以高效地处理日常通用任务。

• GPU负责处理简单但需要并行计算的特定任务。

计算结构

• CPU进行任务的串行处理，即在一系列任务中，一次处理一个。

• GPU进行并行处理，即一次处理多个任务。

内核数量

• CPU的内核数量相对较少，但每个内核都非常高效和强大。

• GPU拥有“CUDA Cores”或“Stream Processors”，这是NVIDIA和AMD开发的专有技术。

CPU与GPU：

哪个更适合机器学习，为什么？

两者都可以，但深度学习应用更倾向于使用GPU。

机器学习需要使用庞大的数据集，训练和测试模型。训练多层的深度神经网络是深度学习的过程，这是机器学习的一个分支。训练深度神经网络时需要多个并行计算，GPU在处理这些任务方面比CPU更有效。

与CPU相比，GPU的内核数量要多得多，可以同时进行更多的计算。深度神经网络训练需要数百万次计算，因此，这种并行性对于加速这一过程至关重要。我们可以在矩阵乘法和卷积中，看到GPU在机器学习中处理各种计算的实际应用。

GPU已取代CPU成为深度学习的“行业标准”。

（但CPU仍被用于机器学习，特别是对于一些计算强度较低的任务）

结语

总之，在机器学习过程中，CPU和GPU派上了不同用场。GPU用于训练大型深度学习模型，而CPU则有利于数据准备、特征爬取和小型模型训练。对于inference和hyperparameter tweaking，我们可以同时使用CPU和GPU。

两者分工明确，我们需要知道的是在什么时候用哪一个。

希望这篇文章加深了你对CPU和GPU的理解，帮助你更好地进行选择和使用。

感谢阅读！

原文作者：Deeksha Rana

翻译作者：高佑兮

美工编辑：过儿

校对审稿：Chuang

原文链接：https://www.analyticsvidhya.com/blog/2023/03/cpu-vs-gpu/

本周公开课预告

往期精彩回顾

点「在看」的人都变好看了哦

点击“阅读原文”查看数据应用学院核心课程