只需一步，快速开始
查看: 3911|回复: 5
如何实现：多GPU多kernel并行计算
请教一个问题，如何实现：多GPU多kernel并行计算？ 像下面这段示例代码。能否实现多GPU的并行呢？谢谢。
示例代码：
& & int fun()
&&&host_code&
&&cudaSetDevice(0);
&&cudamalloc(args0);
&&cudamemcpy(args0 , host_args0, h2d);
&&kernel0&&&&&&(args0);
&&kernel1&&&&&&(args0);
&&cudaSetDevice(1);
&&cudamalloc(args1);
&&cudamemcpy(args1 , host_args1, h2d);
&&kernel2&&&&&&(args1);
&&kernel3&&&&&&(args1);
&&cudaSetDevice(0);
&&cudamemcpy(&&host_args0, args0, d2h);
&&cudaSetDevice(1);
&&cudamemcpy(&&host_args1, args1, d2h);
&&&host_code&
根据您的代码，因为kernel是立即返回的，所以在您device 0的两个kernel实际还在运行的时候，host端就已经返回并执行cudaSetDevice(1)后面的代码了。
所以在一定程度上是并行的。
祝您国庆节愉快~
根据您的代码，因为kernel是立即返回的，所以在您device 0的两个kernel实际还在运行的时候，host ...
您的代码像是cudaMemcpy之类的，都是阻塞调用的。
如果想充分让2个显卡并行，可以将这种改成cudaMemcpyAsync, 尽量减少host code被block住的时间。从而提高并行性。
以及，如果感到这样为难，您可以简单的使用2个host thread, 分别cudaSetDevice(0或者1), 加该卡上的操作，这样也许方便点。
您的代码像是cudaMemcpy之类的，都是阻塞调用的。
如果想充分让2个显卡并行，可以将这种改成cudaMemcp ...
您好，感谢耐心回答， 我的情况是这样的：通过网络传来数据，放入内存，GPU程序直接从内存中读取数据，然后启动两块GPU卡并行处理这些数据。不知道怎样才能实现两块GPU卡的并行，请您指教。。。
根据您的代码，因为kernel是立即返回的，所以在您device 0的两个kernel实际还在运行的时候，host ...
那如果这样呢？ 能否实现多GPU的并行计算？
&&&host_code&
&&cudaSetDevice(0);
&&cudamalloc(args0);
&&cudamemcpy(args0 , host_args0, h2d);
&&kernel0&&&&&&(args0);
&&cudaThreadSynchronize();
&&kernel1&&&&&&(args0);
&&cudaSetDevice(1);
&&cudamalloc(args1);
&&cudamemcpy(args1 , host_args1, h2d);
&&kernel2&&&&&&(args1);
&&cudaThreadSynchronize();
&&kernel3&&&&&&(args1);
&&cudaSetDevice(0);
&&cudamemcpy(&&host_args0, args0, d2h);
&&cudaSetDevice(1);
&&cudamemcpy(&&host_args1, args1, d2h);
&&&host_code&
那如果这样呢？ 能否实现多GPU的并行计算？
chinasun000您好：
您的这个写法中，使用的同步版的cudaMemcpy以及加入了显式的同步，这样只有较少的部分可以并行，虽然严格说，其中部分工作还是可以并行的。
建议考虑3楼青春的记忆斑竹推荐的实现方法。
站长推荐 /1
为了更好地为各位会员提供技术支持服务，本论坛采用注册审核制度。您注册会员后，我们的管理人员会在8小时内在后台进行审核，审核通过会发邮件通知。只要是真实的开发者或学习者，我们都会审核通过。敬请谅解！如果您着急的话，可以发邮件至： 提醒我们第一时间审核通过。开始学习GPU并行编程（一）
看到网上说安装软件时会遇到很多问题，于是非常小心，在官网查找版本对应关系。最开始想要安装cuda9.0+vs2017（因为博主做电磁散射建模，用的一个软件支持cuda9.0及以上）所以选择了这个版本。但是遇到了一个问题，网上一直没有解决方案。。。比如这个问题。。。我不知道是怎么解决的。。。。debug的时候报出这个错误，我没有管直接生成……这个错误就自己消失了安装步骤和网上一致，先安装vs，再安装cuda这两个都没有什么要注意的，直接点下去就好，vs community是完全免费的，打开后只勾选了c++和python，其中C++点开右侧选择了2015（v140），因为担心vs2017不兼容的问题。安装cuda的时候可能发现cuda内置的驱动小于等于PC本身的，所以可以选择自定义勾掉这个。后面也可以选择tookit、Deployment Kit、samples的位置安装好以后配置环境变量在系统变量中，软件会自动添加3、4、7，其他几项手动输入CUDA_BIN_PATH = %CUDA_PATH%\binCUDA_LIB_PATH = %CUDA_PATH%\lib\x64CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\x64CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64CUDA_SDK_PATH = C:\Program Files\NVIDIACorporation\GDK\CUDA Samples\v7.5（隐藏文件夹）然后在系统变量Path末尾添加：;%CUDA_LIB_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;%CUDA_BIN_PATH %;配置完成后需要重启计算机。运行vs2013，可以创建空项目添加.CU文件，也可以直接创建CU项目。自定义依赖项完成后，需要配置其他属性 点击项目-&属性-&配置属性-&VC++目录，在包含目录选项中添加以下两个目录：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.5\common\incC:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v7.5\include在库目录中添加以下两个目录：C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v7.5\lib\x64C:\ProgramData\NVIDIA Corporation\CUDASamples\v7.5\common\lib\x64点击项目-&属性-&配置属性-&连接器-&常规-&附加库目录，添加以下目录$(CUDA_PATH_V7_5)\lib\$(Platform)点击项目-&属性-&配置属性à连接器-&输入-&附加依赖项中添加以下库：cufft.libcublas.libcublas_device.libcuda.libcudadevrt.libcudart.libcudart_static.libcufftw.libcurand.libcusparse.libnppc.libnppi.libnpps.libnvblas.lib（32位系统不要添加这个库）nvcuvid.libOpenCL.lib右键项目-&属性，将项类型设置为CUDA C/C++打开配置管理器 点击新建 如下图所示，选择x64平台这是我能找到所有的配置方案了，其实每一步还不是太清楚。具体目的是什么还有待学习。
OpenGL核心技术之GPU编程
(gpu并行编程)cuda环境搭建中的问题
开始学习GPU并行编程（二）
没有更多推荐了，兴趣、勤奋、创新
课程总结 -- CPU／GPU并行计算基础（CPU篇）
上学期选修了Prof. Tolga Soyata的“GPU Parallel Programming using C/C++”课程。该课程主要分两部分：前半部分通过讲解CPU并行程序来介绍并行计算的原理和思路；后半部分讲解如何用CUDA在GPU上进行并行计算。本文纪录其中的基础要点和关键实现方式。通过本文大家可以了解到：1、如何用CPU进行多线程并行计算；2、CUDA是什么，GPU如何进行并行计算；3、并行计算的优越性；4、内存的应用对程序性能的影响。
本文分两部分：第一部分是CPU计算部分，第二部分是GPU计算部分。其中主要介绍实现的具体方法（理论也讲不清楚）。内容参考课上课件和代码，以及教材：。
0、串行程序
在接下来的几个小节，我们会用不同的方式完成同一个任务：纵向翻转一张的图片，并比较它们之间的性能差异。首先我们来看的是采用串行方法的实现，即不使用并行计算，对逐个像素进行交换操作。为了简化读写等无关操作，我们用opencv进行图像的读写，具体代码见。
性能：使用串行计算，其速度为平均每张图片约 107ms。
1、第一个CPU并行程序
分析一下这个任务，我们可以发现：每一行执行的操作是独立且相同的。因此我们其实可以让不同行同时执行同样的操作，这便是并行的程序。具体来说，假设我们有n个并行的线程，我们便可以让每个线程完成1/n的任务，比如线程1完成[1...colsn]列，线程2完成[(colsn+1)...2*colsn]列，以此类推。理想状况下，通过n个线程同时工作，我们可以将程序的运行时间降低n倍。
利用CPU实现上述并行程序需要用到。Pthread是线程的POSIX标准，定义了创建和操作线程的一套API。以下将一些重要的核心代码列出，完整代码可见。
引用pthread库及声明需要用到的变量
#include &pthread.h&
#define MAX_THREADS 64
int ThParam[MAX_THREADS];
pthread_t ThHandle[MAX_THREADS];
pthread_attr_t ThA
pthread初始化
pthread_attr_init(&ThAttr);
pthread_attr_setdetachstate(&ThAttr, PTHREAD_CREATE_JOINABLE);
分配线程和结束
for (i=0; i&NumT i++) {
ThParam[i] =
// important!! lauch threads
ThErr = pthread_create(&ThHandle[i], &ThAttr, MFlip, (void *)&ThParam[i]);
if (ThErr != 0) {
printf("\nThread Creation Error %d.\n", ThErr);
exit(EXIT_FAILURE);
for (i=0; i&NumT i++) {
// important!! join all threads
pthread_join(ThHandle[i], NULL);
根据线程ID决定改线程开始执行的列数，及该线程退出语句
long ts = *((int *) tid);
// thread ID
ts *= rows / NumT
// start index
pthread_exit(NULL);
并行程序的性能如下：
从上表可以看出：
线程数为1时，由于增加了调用pthread的一些开销，程序比上一小节的会慢一些
逐步增加线程数，可以看到接近线性的加速（增加两倍线程数，时间减少两倍），从中可以看到并行程序的有效性
当线程数增加到一定程度后（上表为32），速度提升会遇到瓶颈，即不能永远的达到线性加速。其中的原因比较复杂（其实是我没完全听懂。。），可能涉及内存的共享、系统CPU核的数量、调度等问题，在此不妄加评论了。
2、改善并行程序
在这个小节中，我们会看到合理的内存应用和程序执行方式会对程序性能造成多大的影响。
我们先来分析一下上一小节的并行程序。我们将数据按照线程数量分割成等量的小块，并让不同线程同时执行各个小部分，这种并行方式可以成为数据并行。这种并行方式的好处是每个线程执行的任务都是相同的，只需要标记不同的处理位置。但是这样就足够了吗？并非如此。在上述程序中，我们没有考虑过程序的内存访问模式（Memory Access Pattern）。
毫无疑问，MFlip() 函数是一个内存密集型（memory-intensive）的函数。因为它对每个像素并没有进行任何计算，但是需要频繁的对内存进行读取和写入（为了交换像素值）。对于这一类的函数，其内存访问模式会大大地影响程序的性能。
从直观上我们便能体会到上节中程序的内存访问模式有多么糟糕。每次交换两个像素值，程序都要从内存中读取两个不同位置的数据，并且这两个位置相隔非常的远。而且每次从内存中读取一个像素的值（1比特）也是非常浪费资源的做法。再加上多线程同时进行不同位置的内存读写操作，会使程序的内存访问变得非常低效。从理论上讲，为了达到好的DRAM读写性能，我们需要遵守以下几条规则（为了描述的准确性直接上原文）：
对比一下我们可以发现，上节的程序违反了Granularity的规则，即每次都读写过于少量的数据，造成读写时资源的浪费。另外，上节的程序并没有利用好缓存（cache memory），因为它从来没有进行数据的复用。
因此，我们来改进上节的程序，使其能满足上述的几点规则。从上表可以看到，虽然图片数据存储在DRAM中，我们并不希望频繁地对它进行访问。因此我们可以一次把一行图片的数据读取到一个临时缓冲区中，再对其中的数据进行处理。这样的好处不仅能够减少对DRAM的访问，还能充分利用L1缓存的作用对读取的数据进行重复利用。核心实现代码如下，整体代码在。
准备两个缓冲区用来存放两行的数据
unsigned char Buffer1[16384];
// This is the buffer to get the first row of
unsigned char Buffer2[16384];
// This is the buffer to get the second row of
读取数据进入缓冲区
memcpy((void *)Buffer1, TheImage.ptr&uchar&(r), cols*sizeof(unsigned char));
memcpy((void *)Buffer2, TheImage.ptr&uchar&(rows-(r+1)), cols*sizeof(unsigned char));
交换数据（从缓冲区写入内存）
memcpy((void *) TheImage.ptr&uchar&(r), (void *)Buffer2, cols*sizeof(unsigned char));
memcpy((void *) TheImage.ptr&uchar&(rows-(r+1)), (void *)Buffer1, cols*sizeof(unsigned char));
性能如下：（注意，这里的提速有点夸张，个人认为除了内存访问模式的影响以为，还和之前程序中直接对opencv的矩阵对象进行操作有关）
3、同步和异步
前面介绍的并行方式都属于同步并行（synchronized），即程序等待所有并行的线程都执行完当前的任务，再执行下一步工作。这样可能会出现的一个问题是：有些线程由于某些原因执行速度变慢了，则所有线程都会受到它的影响而滞后，因为它们需要等待所有线程都完成任务。换句话说，具有木桶效应。
除了同步并行以外，我们还有另一种并行方式叫作异步并行（asynchronized）。这种并行方式可以使线程无需等待其它线程的工作情况，而直接进行其它任务。下图可以看到它们的关系：
这里我们不讨论同步和异步之间的优劣，只介绍如何实现一个异步的并行程序。与同步并行不同，异步并行会出现线程之间对资源访问的冲突问题。解决这个问题的一种方法是使用互斥量（mutex）。简单来说就是通过对一个共享变量的上锁（lock）和解锁（unlock）来保证在同一时期只有一个线程对共享资源进行修改，从而解决冲突的问题。下图说明了其工作原理：
利用互斥量实现异步并行的核心代码如下，完整代码见。注意我们不再将数据等分为n份，而是每次让一个空闲的线程执行一行，若完成则等待下一次分配任务。
定义和初始化mutex
pthread_mutex_t CounterM
// define mutex
// initialize mutex
pthread_mutex_init(&CounterMutex, NULL);
pthread_mutex_lock(&CounterMutex);
NextRowToProcess = 0;
for (i=0; i&NumT i++) {
ThParam[i] = 0;
pthread_mutex_unlock(&CounterMutex);
利用mutex互斥地读取和修改下一行的值
pthread_mutex_lock(&CounterMutex);
r = NextRowToP
NextRowToProcess ++;
pthread_mutex_unlock(&CounterMutex);
性能如下：
4、程序与性能（optional）
在这课程中，除了学习到并行计算的原理及实现方式外，我最大的感触便是程序的细微改动对性能巨大的影响。这些改动涉及到内存的访问、CPU计算量的减少等方面。下面这个例子中，我们用7种不同方式实现旋转图片的任务，其中每种实现逐步地对代码进行修改和优化。我们可以看见rotate7()比rotate()的性能要优越很多。由于篇幅关系就不再一一讲解了，具体代码请看。
并行计算入门案例
C++ AMP 加速大规模并行计算-GPU和CPU的性能比较
matlab 查看电脑系统性能（CPU，GPU）,并开启并行运算
并行计算简介和多核CPU编程Demo
首试GPU并行运算
Matlab 多核 多个CPU 并行运算
Matlab平台下Nvidia显卡和Intel I7 CPU的并行计算性能比较：第一次测试
没有更多推荐了，GPU并行计算入门1——背景知识
专有名词：
GPGPU 通用图形处理器 （英语：General-purpose computing on graphics processing units，简称GPGPU或GP?U），利用处理图形任务的图形处理器来计算原本由中央处理器处理的通用计算任务，这些通用计算常常与图形处理没有任何关系。由于现代图形处理器强大的并行处理能力和可编程流水线，令流处理器可以处理非图形数据。特别在面对单指令流多数据流（SIMD），且数据处理的运算量远大于数据调度和传输的需要时，通用图形处理器在性能上大大超越了传统的中央处理器应用程序。
CUDA（Compute Unified Device Architecture，统一计算架构[1]）是由NVIDIA所推出的一种集成技术，是该公司对于GPGPU的正式名称。通过这个技术，用户可利用NVIDIA的GeForce 8以后的GPU和较新的Quadro GPU进行计算。亦是首次可以利用GPU作为C-编译器的开发环境。NVIDIA营销的时候[2]，往往将编译器与架构混合推广，造成混乱。实际上，CUDA可以兼容OpenCL或者自家的C-编译器。无论是CUDA C-语言或是OpenCL，指令最终都会被驱动程序转换成PTX代码，交由显示核心计算。
OpenCL（Open Computing Language，开放计算语言）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。OpenCL由一门用于编写kernels（在OpenCL设备上运行的函数）的语言（基于C99）和一组用于定义并控制平台的API组成。OpenCL提供了基于任务分区和数据分区的并行计算机制。
OpenCL类似于另外两个开放的工业标准OpenGL和OpenAL，这两个标准分别用于三维图形和计算机音频方面。OpenCL扩充了GPU图形生成之外的能力。OpenCL由非盈利性技术组织Khronos Group掌管。
关于CUDA和OpenCL的对比：
从很多方面来看，CUDA和OpenCL的关系都和DirectX与OpenGL的关系很相像。如同DirectX和OpenGL一样，CUDA和OpenCL中，前者是配备完整工具包、针对单一供应商(NVIDIA)的成熟的开发平台，后者是一个开放的标准。
虽然两者抱着相同的目标：通用并行计算。但是CUDA仅仅能够在NVIDIA的GPU硬件上运行，而OpenCL的目标是面向任何一种Massively
Parallel Processor，期望能够对不同种类的硬件给出一个相同的编程模型。由于这一根本区别，二者在很多方面都存在不同：
1）开发者友好程度。CUDA在这方面显然受更多开发者青睐。原因在于其统一的开发套件(CUDA Toolkit, NVIDIA GPU
Computing SDK以及NSight等等)、非常丰富的库(cuFFT, cuBLAS, cuSPARSE, cuRAND, NPP,
Thrust)以及NVCC(NVIDIA的CUDA编译器)所具备的PTX(一种SSA中间表示，为不同的NVIDIA
GPU设备提供一套统一的静态ISA)代码生成、离线编译等更成熟的编译器特性。相比之下，使用OpenCL进行开发，只有AMD对OpenCL的驱动相对成熟。
2）跨平台性和通用性。这一点上OpenCL占有很大优势（这也是很多National
Laboratory使用OpenCL进行科学计算的最主要原因）。OpenCL支持包括ATI,NVIDIA,Intel,ARM在内的多类处理器，并能支持运行在CPU的并行代码，同时还独有Task-Parallel
Execution Mode，能够更好的支持Heterogeneous
Computing。这一点是仅仅支持数据级并行并仅能在NVIDIA众核处理器上运行的CUDA无法做到的。
3）市场占有率。作为一个开放标准，缺少背后公司的推动，OpenCL显然没有占据通用并行计算的主流市场。NVIDIA则凭借CUDA在科学计算、生物、金融等领域的推广牢牢把握着主流市场。
OpenCL实际上是什么？
OpenCL实际上是针对异构系统进行并行编程的一个全新的API，OpenCL可以利用GPU进行一些并行计算的工作。
OpenGL是针对图形的，而OpenCL则是针对并行计算的API。
OpenCL开发的过程中，技术平台均为NVIDIA的GPU，实际上OpenCL是基于NVIDIA
GPU的平台进行开发的。另外OpenCL的第一次演示也是运行在NVIDIA的GPU上。
从本质上来说，OpenCL就是一个相当于Windows平台中DirectX那样的技术。或者说，它是一个连接硬件和软件的API接口。在这一点上，它和OpenGL类似，不过OpenCL的涉及范围要比OpenGL大得多，它不仅是用来作用于3D图形。如果用一句话描述，OpenCL的作用就是通过调用处理器和GPU的计算资源，释放硬件潜力，让程序运行得更快更好。
CUDA实际上是什么？
CUDA架构是原生的，专门为计算接口而建造的这样的一个架构，这种硬件架构包括指令集都是非常适合于这种并行计算，为异构计算而设计的一整套的架构。CUDA架构可以支持API，包括OpenCL或者DirectX，同时CUDA还支持C、C++语言，还包括Fortran、Java、Python等各种各样的语言。
OpenCL与CUDA的关系是什么？
CUDA和OpenCL的关系并不是冲突关系，而是包容关系。OpenCL是一个API，在第一个级别，CUDA架构是更高一个级别，在这个架构上不管是OpenCL还是DX11这样的API，还是像C语言、Fortran、DX11计算，都可以支持。作为程序开发员来讲，一般他们只懂这些语言或者API，可以采用多种语言开发自己的程序，不管他选择什么语言，只要是希望调用GPU的计算能，在这个架构上都可以用CUDA来编程。
关于OpenCL与CUDA之间的技术区别，主要体现在实现方法上。基于C语言的CUDA被包装成一种容易编写的代码，因此即使是不熟悉芯片构造的科研人员，也可能利用CUDA工具编写出实用的程序。而OpenCL虽然句法上与CUDA接近，但是它更加强调底层操作，因此难度较高，但正因为如此，OpenCL才能跨平台运行。
CUDA是一个并行计算的架构，包含有一个指令集架构和相应的硬件引擎。OpenCL是一个并行计算的应用程序编程接口（API），在NVIDIA
CUDA架构上OpenCL是除了C for CUDA外新增的一个CUDA程序开发途径。
如果你想获得更多的对硬件上的控制权的话，你可以使用OpenCL这个API来进行编程，如果对API不是太了解，也可以用CUDA
C语言来编程，这是两种不同编程的方式，他们有他们相同点和不同点。但是有一点OpenCL和CUDA
C语言进行开发的时候，在并行计算这块，他们的概念是差不多的，这两种程序在程序上是有很大的相似度，所以程序之间的相互移植相对来说也是比较容易。
CUDA C语言与OpenCL的定位不同，或者说是用人群不同。CUDA
C是一种高级语言，那些对硬件了解不多的非专业人士也能轻松上手；而OpenCL则是针对硬件的应用程序开发接口，它能给程序员更多对硬件的控制权，相应的上手及开发会比较难一些。
程序员的使用习惯也是非常重要的一方面，那些在X86 CPU平台使用C语言的人员，会很容易接受基于CUDA
GPU平台的C语言；而习惯于使用OpenGL图形开发的人员，看到OpenCL会更加亲切一些，在其基础上开发与图形、视频有关的计算程序会非常容易。
引用自知乎
GPU服务器及计算原理
浅谈多核CPU、多线程与并行计算
与GPU技术的第一次亲密接触
89、tensorflow使用GPU并行计算
C++ AMP中GPU并行计算
关于高性能计算（并行计算）的知识记录汇总（OpenMP、OpenCL、CUDA、TBB）
CUDA 学习（二）、使用GPU理解并行计算
并行计算的一些背景知识
GPU并行计算
【并行计算-CUDA开发】GPU---并行计算利器
没有更多推荐了，简单解析GPU和CPU在并行计算方面的5个不同
适合比较少量的任务，而
则适合做大量的任务。
2任务复杂度
CPU 适合逻辑比较复杂的任务，而 GPU 则适合处理逻辑上相对简单的任务 (可用比较少的语句描述)。
3线程支持方式
由于 CPU 中线程的组是公用的，因此CPU 在切换线程的时候，会将线程的寄存器内容保存在
中，当线程再次启动的时候则会从 RAM 中恢复数据到寄存器。
而 GPU 中的各个线程则各自拥有其自身的寄存器组，因此其切换速度会快上不少。
当然，对于单个的线程处理能力来说，CPU 更强。
4处理器分配原则
CPU 一般是基于时间片轮转调度原则，每个线程固定地执行单个时间片；而 GPU 的策略则是在线程阻塞的时候迅速换入换出。
5数据吞吐量
GPU 中的每个流处理器就相当于一个 CPU 核，一个 GPU 一般具有 16 个流处理器，而且每个流处理器一次能计算 32 个数。
原文标题：GPU和CPU在并行计算方面的不同
文章出处：【微信号：Imgtec，微信公众号：Imagination Tech】欢迎添加关注！文章转载请注明出处。
发布评论请先
你有没有过电脑风扇狂转，进个系统几分钟，玩LOL闪退被队友怒喷的经历？每个台式机里都隐藏着一个污力滔....
按照美国通用会计准则（GAAP）计算，英特尔2018年第二季度营收为169.62亿美元，较去年的14....
在经典CPU中一般有两个常用的组件:北桥（North Bridge）和南桥（SouthBridge）....
AMD的推出了旗舰卡Radeon R9 Fury X，其中无法忽视的一点就是，它是第一款采用水冷散热....
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
AMD总裁兼首席执行官苏姿丰博士（Dr. Lisa Su）表示：“我们第二季度业绩表现非常亮眼，营业....
目前出货量最大的驾驶辅助芯片厂商 Mobileye、Nvidia 形成“双雄争霸”局面，Xilinx....
你还没听过FPGA？那你一定是好久没有更新自己在企业级IT领域的知识了。今天笔者就和大家聊聊何为FP....
近日，据媒体报道，三星纯自主GPU取得进展，将首先用于入门级移动产品。而此前，三星手机上的GPU芯片....
华辰重机选用NVIDIA虚拟GPU解决方案，构建了高效、集约、安全的数控机虚拟化终端设计平台，保证了....
三星设计了一种号称在模拟中可达到领导级效能/功耗比(performance/watt)的行动图像处理....
如下图通信协议管理机基于TI AM5728的设计，提供电网中高可靠性、高安全度、大量以太网，以及多协....
台媒MoneyDJ表示，尽管三星旗下产品已经琳琅满目，从洗衣机、电视到NAND 快闪记忆体与固态硬碟....
在前两天的华为nova 3发布会上，华为手机产品线总裁何刚就透露了今年九月的IFA大会上会发布海思旗....
矿机作为比特币系统中的关键组成部分，通过消耗计算和电力资源争夺记账权，为该系统增加了“信任价值”；从....
最近几年，FPGA这个概念越来越多地出现。例如，比特币挖矿，就有使用基于FPGA的矿机。还有，之前微....
在12月8日Nvidia CEO黄仁勋在NIPS为我们带来了全新的Titan V显卡，这款显卡搭载了....
ARM公司既不生产芯片也不销售芯片，它只出售芯片技术授权。却做到了在手持设备市场上占有90%以上的份....
日前，基于NVIDIA(R)虚拟GPU的深信服桌面云产品正式发布，这也是国内首批基于KVM技术的vGPU....
所谓的AI芯片，一般是指针对AI算法的ASIC（专用芯片）。传统的CPU、GPU都可以拿来执行AI算....
前两天的华为nova 3发布会上，华为手机产品线总裁何刚就透露了今年九月的IFA大会上会发布海思旗下....
多年以来，半导体世界似乎陷入了一种稳定的平衡：除了IBM的POWER系列之外，英特尔在服务器领域击败....
上周有消息称Intel“第9代CPU”最快8月1日发布，i9-9900K/i7-9700K和i5-9....
英特尔为了庆祝公司成立50周年推出了一系列活动，最近评选了英特尔公司的10大创新技术/产品，包括X8....
聚焦智慧驱动的新数据时代，在存储闪存化趋势下，浪潮提供全闪和混闪两种形态的闪存存储，加速新智能应用。
台湾媒体DIGITIMES日前曝光了华为新一代旗舰麒麟980处理器的规格，包括采用7nm制程工艺，同....
英特尔没有披露收购eASIC协议条款。eASIC位于英特尔公司总部所在地美国加利福尼亚州圣克拉拉。英....
这个时候就来看了，比如IBM的POWER8，最先进的服务器用超标量CPU之一，4GHz，SIMD，1....
加速计算的势头似乎不可阻挡，NVIDIA将继续致力于在高性能计算领域的创新，实现百亿亿次级计算以及其....
被遥控的设备前端有一个红外接收器，它会接收到遥控器发射的经过调制的红外信号，然后滤除干扰信号，解调出....
GPU全称是GraphicProcessing Unit－－图形处理器，其最大的作用就是进行各种绘制....
为了不断提高CPU的动态性能，让笔记本电脑拥有高速处理复杂多任务的能力，我们首先必须短时间提高CPU....
让我们再来看图2。如果从2018年的情况开始看，那么整个20世纪中每十年一次的性价比翻倍，在曲线上看....
近日，旧金山现代艺术博物馆（San Francisco Museum of Modern Art）尝....
PC端的CPU是以x86架构为主，x86也就是桌面CPU的指令集，其PC端的x86架构专利全世界只有....
要是关注深度学习在自然语言处理方面的研究进展，我相信你一定听说过Attention Model（后文....
近年来，随着社会的发展，PLC可编程序控制器在工业生产中得到了广泛的使用，同时技术人员对其使用要求也....
在开始写中断函数之前，我们来一起回顾一下，单片机的中断系统。
大端字节序：高字节存放在低地址，低字节存放在高低址。
在linux内核中支持3中内存模型，分别是flat memory model，Discontiguo....
面对这样的情境，当务之急就是要推进多元化战略布局，近几年兴起的人工智能也成了英特尔的其中一个关注方向....
一台服务器、一台电脑、一台手机最重要的电子零部件是什么？没错，就是CPU处理器。它主要负责数据计算、....
今日，鲁大师公布了2018年上半年的PC硬件排行榜，包括CPU处理器、显卡、内存、硬盘、主板五大领域....
32核心64线程的AMD新旗舰线程撕裂者ThreadRipper 2990X即将登场，那么在核心线程....
Layout是一件过程时而愉快时而痛苦，而结果却绝对享受的事情。对于一个用心Layout的人，到最后....
近年所有的目光都集中在了Nvidia上，因为它的显卡和GPU在很多方面都有巨大的市场需求：如游戏，数....
　HT300系列门禁控制器，是依据GA/T394－2002（《出入口控制系统技术要求》）标准要求设计....
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-