1，gpu的工作技術含量相比cpu低多了。cpu就像是博士生，從加減乘除到積分微分樣樣拿手，難題都難不住他，但是工作量很少，只解決關鍵問題。相反gpu則是一大群小學生，進行整數運算和邏輯運算，面對同樣的一千道加減乘除，一千個小學生幹活的速度肯定比乙個博士生快得多，其實就完全是數量造成的質變，簡單粗暴～
2，從單核單執行緒效能來看，gpu 的浮點效能並不強於
cpu。那麼為什麼 gpu 跑評測能夠有更好的浮點效能？因為 gpu 幾乎必定是等效於多核多執行緒的。例如根據資料記載 gtx295 有 480 個 cuda
核，也就是說進行浮點運算的時候相當於
480 核心的 cpu。用乙個 480 核心 的 cpu 跟
8 核心 4 核心的 cpu 去比較，自然結果很顯然了。。。這涉及到 gpu 跟 cpu 任務的典型區別， gpu
任務通常是可以高度的並行化的，而 cpu 任務往往難以拆分成多個執行緒。
3，導致gpu在某些運算上比cpu快的因素有很多，一種簡單的理解方式：cpu上大量的電晶體被用來做cache，而gpu上絕大部分電晶體被用來做alu。用來做運算的電晶體多了，自然速度會快。但不是所有的並行運算在gpu上都快。需要滿足一些限制條件才能充分發揮gpu的處理能力，比如記憶體訪問的pattern
/ branch的型別和數量。
4，目前 gpu
加上 sse 也會很快。不過 cpu 目前處理的資料都是相關性很複雜的。
tensorflow模型中的GPU和CPU配置
gpu 0 表示pci卡槽gpu0可見 gpu 3 表示pci卡槽gpu3可見 gpu 3,2,0 表示pci卡槽gpu3,2,0可見，gpu0不可見 os.environ cuda visible devices gpu pci卡槽多gpu可見設定gpu 1 表示gpu不可見，即only cpu模...
測試GPU的材質填充率
體渲染最重要的乙個優化就是減少gpu的取樣工作。測試gpu的材質填充率能夠指導我們的工作。要知道為什麼gpu在800 600的環境中只能達到12fps麼？這就要看gpu每秒鐘取樣的次數啦。程式原理很簡單，分幾步 建立視窗 生成和設定紋理 載入shader 渲染。具體如何做要看程式裡面啦，這裡就不再貼...
測試GPU的材質填充率
體渲染最重要的乙個優化就是減少gpu的取樣工作。測試gpu的材質填充率能夠指導我們的工作。要知道為什麼gpu在800 600的環境中只能達到12fps麼？這就要看gpu每秒鐘取樣的次數啦。程式原理很簡單，分幾步 建立視窗 生成和設定紋理 載入shader 渲染。具體如何做要看程式裡面啦，這裡就不再貼...