NVIDIA夺面双雄 GT200全球同步首测

GPGPU和CUDA实现上的差别

　　如果只是显卡从游戏手中夺得了游戏功能也就算了，最近几年的高清视之战也是GPU从CPU手中夺取本来该由CPU处理的工作，而近几年随着通用计算处理器GPGPU(General-Purpose computing on Graphics Processing Units）的提出，在科学和专业领域、医学等领域以颇有建树，CPU的地位更是进一步被GPU所蚕食，民用领域中，实际上我们所说的高清硬件解码也是GPGPU计算的一个初级形态。

　　大家也都知道，目前针对GPU实现通用并行计算的CUDA解决方案与GPGPU两者实现有何区别呢？这里笔者陈述一下自己的理解。

　　GPGPU和CUDA实现最的差异就在对GPU通用计算的理解层次不同。GPGPU仍旧把GPU当作一块显卡，它使用DirectX和OpenGL这样的图形API实现计算目的，正因为如此，它需要编程人员了解图形AIP和硬件的细节。这样编程模型也限制了随机读取显存和线程协调方式。而CUDA的通用并行计算实现则更彻底，打破了图形API的限制，编程人员不会感觉到和以往在CPU编程的区别。

　　比如在图形API中，API框架限制了在预先制定好的内存单元输出32位浮点（渲染目标格式是RGBA*8），这限制了很多新的算法不适合使用图形API来实现。图形API强制用户把数据存储为纹理格式，它需要把长数组打包为2D纹理格式。这对于通用计算不但繁琐，而且必须加入额外的寻址算法，这都会增加额外的开销。

　　与此相对应，CUDA使用C的一个扩展来进行并行计算，它允许编程人员使用C编程，不需要把问题转化为图形处理元素来处理，任何能用C编程的程序员能够理所当然的掌握CUDA编程。CUDA对地址单元和存储数量没有任何限制，同时也支持数据存储为标准数组形式，同时能够对任意显存地址进行访问。

　　由于GPGPU开发程序需要程序员详细了解专业的图形语言等，因此一直都无法大规模普及，而解决这一问题的关键就是NVIDIA的CUDA。

关于CUDA：

　　CUDA是NVIDIA针对GPU的C语言开发环境开发的通用计算平台标准，全称是Compute Unified Device Architecture统一计算设备架构。CUDA可以充分应用GeForce 8/9系列 GPU 流处理单元的浮点运算能力，解决复杂的科学运算问题，诸如地质勘探，生物学，流体力学，金融建模等等。根据NVIDIA的测试，8800显卡在CUDA架构中的峰值运算能力可达520GFlops，因此如果构建SLI双卡系统，可以达到1TFlops（即每秒运算1万亿次）的强大运算能力。