浅析GPU计算——CPU和GPU的选择

方亮

发布于 2019-01-16 16:42:40

2.1K0

发布于 2019-01-16 16:42:40

文章被收录于专栏：方亮方亮

目前市面上介绍GPU编程的博文很多，其中很多都是照章宣科，让人只能感受到冷冷的技术，而缺乏知识的温度。所以我希望能写出一篇可以体现技术脉络感的文章，让读者可以比较容易理解该技术，并可以感悟到cuda编程设计及优化的原理。（转载请指明出于breaksoftware的csdn博客）

谈到计算，我们一般都会先想到CPU。CPU的全称是Central Processing Unit，而GPU的全称是Graphics Processing Unit。在命名上。这两种器件相同点是它们都是Processing Unit——处理单元；不同点是CPU是“核心的”，而GPU是用于“图像”处理的。在我们一般理解里，这些名称的确非常符合大众印象中它们的用途——一个是电脑的“大脑核心”，一个是图像方面的“处理器件”。但是聪明的人类并不会被简单的名称所束缚，他们发现GPU在一些场景下可以提供优于CPU的计算能力。

于是有人会问：难道CPU不是更强大么？这是个非常好的问题。为了解释这个疑问，我们需要从CPU的组织架构说起。由于Intel常见的较新架构如broadwell、skylake等在CPU中都包含了一颗GPU，所以它们不能作为经典的CPU架构去看待。我们看一款相对单纯的CPU剖面图

这款CPU拥有8颗处理核心，其他组件有L3缓存和内存控制器等。可以见得该款CPU在物理空间上，“核心”并不是占绝大部分。就单颗Core而言（上图CPU属于Haswell-E架构，下面截图则为Haswell的Core微架构。“Intel processors based on the Haswell-E microarchitecture comprises the same processor cores as described in the Haswell microarchitecture, but provides more advanced uncore and integrated I/O capabilities. ”——《64-ia-32-architectures-optimization-manual》）

可以看到，其有20多种“执行单元”（Execution Units）,如ALU、FMA、FP add和FP mul等。每个“执行单元”用于处理不同的指令

可以见得CPU是个集各种运算能力的大成者。这就如同一些公司的领导，他们可能在各个技术领域都做到比较精通。但是一个公司仅仅只有这样的什么都可以做的领导是不行的，因为领导的价值并不只是体现在一线执行能力上，还包括调度能力。

我们以Intel和ARM的CPU为例。比如我手上有一台国产号称8核心，每颗核心可达2GHz的手机，目前打开两个应用则卡顿严重。而我这台低等配置的两核心，最高睿频2.8GHz的笔记本，可以轻轻松松运行多个应用。抛开系统和应用的区别，以及CPU支持的指令集来思考，到底是什么让Intel的CPU使用起来越来越流畅？

有人可能说是主频，我们看下CPU主频的发展图

可以见得CPU的主频在2000年以前还是符合摩尔定律的。但是在2005年左右，各大厂商都没有投放更高主频的CPU（理论上现在主频应该达到10GHz了），有的反而进行了降频。为什么？一是CPU的主频发展在当前环境下已经接近极限，而且功耗也会随着主频增加而增加。但是我们感觉到电脑越来越慢了么？

也有人说是核心数。最近10来年，市面上桌面版intel系列CPU还是集中在2、4、8核心数上。以2005年的奔腾D系列双核处理器和现在core i3 双核处理器来对比，奔腾D应该难以顺畅的运行Win10吧（它的执行效率连2006年发布的Core 2 Duo都不如）。

还有人会说是乱序执行（out of order）。一个比较经典的乱序执行例子是这样的

class_name * p = NULL; 
……
p = new class_name;

我们一般理解这个过程可以分解为：1 分配空间；2 调用构造函数；3 空间地址赋值给p。然后CPU可能会将2,3两个顺序颠倒。

这样做有什么好处呢？比如另外一个线程B要检测p是否为NULL，如果不为NULL则调用相应方法。如果按照先构造再赋值的顺序，线程B要等待上述流程结束后才能开始前进。而如果采用先赋值再构造，线程B在赋值结束后就开始前进了，而此时new操作所在的线程可能也同步完成了构造函数的调用。（当然这和我们理解不同，可能会引起bug）

然而ARM也有这样的功能

除了上述观点外，还有缓存存取速率、缓存大小等影响因素。但是这些因素，ARM系列CPU也可以做到，但是为什么还是没Intel快呢？

当然因素肯定是多样的。接下来我只是罗列出个人认为比较重要的原因

分支预测（Branch predictor）。再以一段代码为例

int b = 3;
int c = 4;
bool a = memory_enough();
if (a) {
    b *= c;
}
else {
    b += c;
}

如果按照一般的想法，CPU执行的流程是：获取a的值后选择一个分支去执行。假如a的逻辑可能比较耗时（比如存在IO等待操作），CPU要一直等待下去么？现在CPU的做法则相对智能，它会预测a的值，执行预测对应的分支。然后等到a的值返回后再校验是否猜测正确，如果正确，我们将节省一个分支执行的等待时间。如果猜测错误，则回退回去再执行正确的流程。

可能有人会怀疑分支在代码逻辑中的比例那么高么？需要独立设计这么一个功能来优化？据我对部分项目做得统计分析，很多业务代码的分支占比在80%左右。

可能还有人会怀疑这种猜测靠谱么？据尚未考证的消息，intel号称准确率超过90%。虽然ARM也有分支预测功能，但是其准确率有这么高么？我尚未找到相应数据。

说了这么多，我只想说明一个观点：CPU是一个拥有多种功能的优秀领导者。它的强项在于“调度”而非纯粹的计算。而GPU则可以被看成一个接受CPU调度的“拥有大量计算能力”的员工。

为什么说GPU拥有大量计算能力。我们看一张NV GPU的架构图

这款GPU拥有4个SM（streaming multiprocessor），每个SM有4*8=32个Core，一共有4*4*8=128个Core（此处的Core并不可以和CPU结构图中的Core对等，它只能相当于CPU微架构中的一个“执行单元”。之后我们称GPU的Core为cuda核）。

再对比一下CPU的微架构和架构图，以FP mul“执行单元为例”，一个CPU的Core中有2个，六核心的CPU有12个。虽然我们不知道GPU cuda核的内部组成，但是可以认为这样的计算单元至少等于cuda核数量——128。

128和12的对比还不强烈。我们看一张最新的NV显卡的数据

5120这个和12已经不是一个数量级了！

如果说cuda核心数不能代表GPU的算力。那我们再回到上图，可以发现这款GPU提供了640个Tensor核心，该核心提供了浮点运算能力。我并不太清楚CPU中有多少类似的核心，但是从NV公布的一幅图可以看出两者之间的差距——也差一个量级。

除了计算能力，还有一个比较重要的考量因素就是访存的速率。当我们进行大量计算时，往往只是使用寄存器以及一二三级缓存是不够的。

目前Intel的CPU在设计上有着三级缓存，它们的访问速度关系是：L1>L2>L3，而它们的容积关系则相反：L1<L2<L3。以图中Intel Core i7 5960X为例，其L3缓存的大小只有20M。很明显CPU自带的缓存大小太小，不足以承载所有的系统。于是需要使用内存来补充。该款CPU的最大支持64G内存，其内存最大带宽是68GB/s。

然而GPU对应的显存带宽则比CPU对应内存高出一个数量级！