華為說這個技術還真吓人。為什麼呢？

我們知道，GPU 英文全稱"Graphic Processing Unit"，即"圖形處理器"。

若你現在還以為GPU隻是一個圖形處理器，你就OUT了。

一般而言，CPU 擅長處理不規則數據結構和不可預測的存取模式，以及遞歸算法、分支密集型代碼和單線程程序，這類程序任務擁有複雜的指令調度、循環、分支、邏輯判斷以及執行等步驟。

GPU 擅長處理規則數據結構和可預測存取模式，特别适合那些超大規模的并行密集運算多線程程序。而異構計算的理念就是同時結合CPU 和GPU 的運算能力，讓它們能夠各展所長，從而兼具兩者的優勢，實現協同計算、彼此加速的。

要研究一個東西，就要先研究它的曆史。

那麼，首先讓我們來看看GPU的曆史吧。。。

一 GPU的曆史

但是，CUDA有一個非常大的缺陷就是。。。隻能在NVIDIA的GPU上使用，你說郁悶不。

2007 年12 月，AMD 在Brook 的基礎上推出了Fire Stream 通用計算開發工具，而CTM 改稱CAL。可是，AMD突然又放棄Brook ，轉而采用OpenCL（Open Computing Language）作為新的GPU計算開發語言。

2008年，NVIDIA推出了改進版GT200架構，進一步提升了性能和編程效率。與G80相比，GT200并沒有實質性的變化，隻是增加了晶體管，并改進了合并訪問要求。2010年，NVIDIA推出了全新設計的Fermi架構，Fermi是依據高性能計算用戶的要求全新設計的，提供了很多科學計算迫切需要的特性，如浮點原子函數、雙精度支持、IEEE-754（2008）浮點标準等。

從GTX200到HD4870系列開始，AMD和NVIDIA兩大廠商都開始提供對雙精度運算的支持，這正是不少應用領域的科學計算都需要的。

2011 年，AMD 推出了其APU 架構，通過在同一芯片上集成CPU 和GPU，APU 能夠提供極高的CPU 和GPU 之間的數據傳輸速度。但是目前AMD 還不能集成高性能的CPU 和GPU，因此其計算能力并不太高。

2012 年，AMD 推出了其新的GPU 架構GCN，GCN 吸取了NVIDIA GPU 的成功經驗，放棄了VLIW，轉而采用标量運算。其旗艦産品HD7970 性能大幅提升。

2012 年3 月，NVIDIA 推出了Fermi 的改進架構Kepler。Kepler 極大地降低了能耗，而在編程上面，相比Fermi，有許多大的增強，如動态并行、更快的原子操作、内核可以給自己分配計算任務、分離編譯等。

2013 年，AMD 升級了其GCN 架構，推出了GCN 1. 1。相比GCN，GCN 1. 1 可集成更多核心，效率也更高。2014 年，NVIDIA 推出了Kepler 的升級版Maxwell，Maxwell 提升了核心的計算效率，降低了指令延遲。

二 GPU在顯示上的能力

GPU Turbo還能夠幫助實現HDR的遊戲效果，有效地增強畫面細節，提升畫質。

為什麼說HDR能提高畫質？HDR到底是什麼鬼？

玩攝影或圖像視頻處理的都知道。HDR就是高動态範圍。

大家一定聽過微軟的體感遊戲機XBOX ONE X吧？

6 Teraflop GPU可呈現更多細節，更順暢地顯示動畫，讓4K環境和角色更顯逼真，前所未見。

XBOX ONE X對電視顯示的要求是比較高的。

電視需要支持4K ULTRA HD，HDR。

HDR，全稱High-Dynamic Range，是目前影像屆火爆的标準，可以讓你的顯示畫質提高到一個全新的層次，對比度更強大，光線處理更鮮明，更加真實感，現場臨場感更強。

說白了就是明暗差别。能分辨的明暗層級越多，層次越多，圖像越清晰。

你對比帶HDR和不帶HDR的圖像就知道了。

GPU Turbo是一種軟硬協同的圖形處理加速技術，恰恰就起到了大幅提升手機性能但又有效平衡功耗的作用。它不僅打破了軟硬件邊界，将系統底層對傳統的圖形處理框架進行了重構，使得GPU圖形運算整體效率提升60%，SoC能耗降低30%，提高圖形渲染效率，讓手機在長時間的遊戲狀态下保持畫面平滑，不卡頓，帶來高幀率狀态下的持續穩定。

華為的餘承東在現場介紹稱，這項技術能讓熱門遊戲滿幀跑，即便是千元機也能玩大型遊戲。＂我們的團隊報告我這項技術的時候，真的吓了我一大跳！＂餘承東說。

這個月從華為P20pro，Mate10等旗艦機開始，GPU Turbo這項技術都将通過EMUI推送升級。

三 GPU在深度學習以及區塊鍊等新興領域上的強大能力

更重要的是，GPU已不再僅僅是一個圖形處理器了，它已經脫胎換骨，成為人工智能時代的重要核心。

目前深度學習一般都使用GPU的模式訓練網絡，推斷網絡。

這種核心數的差異直接決定了GPU更适合深度學習。

GPU的核心一般比CPU多幾個數量級，目前主流的NVIDIA的顯卡，一般有幾千個流處理器。如NVIDIA TITAN V顯卡具備110萬億次深度學習浮點運算能力，5120個CUDA核心數。CPU内核數卻隻是個位數。

我們知道，目前的深度學習網絡主要是卷積神經網絡，其主要的運算是卷積運算。而卷積運算說到底就是矩陣乘法運算。矩陣乘法運算就是許多乘加運算的并行。

看出來沒，這些運算有個神奇的特點:類型高度統一，相互無依賴。因此具有多核心的GPU更适合這一計算密集型的任務。

比特币挖礦的礦機處理器就是用的GPU。

由此可見，GPU Turbo這門技術，華為絕不僅用于一個遊戲這樣的一個小小的領域而已，已為深度學習運算整裝待發。

​

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!