何为加速计算？加速计算为什么很重要？

何为加速计算？加速计算为什么很重要？

传统中央处理器 (CPU) 在执行复杂的控制功能时表现出色。但对于许多需要处理大量数据的应用来说，它们不一定就是最理想的了。随着我们生活的地球智能化程度日益提高，所需的数据处理量正在呈指数级增长。必须加速，才能弥补数据处理需求与传统 CPU 功能之间日益拉大的差距。

从数据中心到边缘计算以及这两者之间的网络，加速计算现已深入各种应用。越来越多的应用提供商和开发商正在考虑将加速计算作为其应用局限性的解决方案。

加速计算，了解它的应用领域，为什么它如此重要，以及哪些解决方案最适合计算密集型数据处理应用。

目录

为什么是加速计算？

为什么需要加速计算？

加速计算主要用于哪些领域？

边加速计算有哪些解决方案？

为什么自适应计算是硬件加速的最佳解决方案？

什么是加速计算？

加速计算是一种现代计算方式，它将应用的数据密集型部分分离，在一个单独的加速器件上处理，并将控制功能留给 CPU 处理。这有助于要求极高的应用更快、更高效地运行，因为底层处理器硬件对于所需的处理类型而言更高效。拥有不同类型的硬件处理器（包括加速器）被称为异构计算，因为应用可利用的计算资源类型众多。

硬件加速器通常具有并行处理结构，允许它们同时执行多项任务，无需一项一项地按线性或并行方式执行。因此，在 CPU 不断运行不能并行运行的控制层代码时，它们能够优化应用的密集数据层处理部分。这将带来高效、高性能的计算。

为什么需要加速计算？

因为当前应用要求的速度和效率比传统 CPU 本身能提供的速度和效率更高。这一点完全正确，因为人工智能 (AI) 的作用越来越大。各行各业的企业为了保持竞争力，他们依赖加速计算的程度将越来越高。

加速计算主要用于哪里领域？

如今，加速计算在众多不同应用以及各行各业得到了广泛应用，尤其是在 5G 技术推出之际，我们对物联网 (IoT) 的依赖越来越多。 金融贸易公司将其用于实现更快的交易以及极低的时延。汽车行业将其用于车内监控以及高级驾驶员辅助系统。企事业单位将其用于理解数据。电子游戏开发者依靠它来创建高质量的仿真与图形。

各个行业都依赖于加速计算，因此当前应用必须能够应对处理更多数据的需求，才能保持竞争力。

加速计算有哪些解决方案？

针对加速计算提供了不同类型的解决方案，每一种解决方案都有其自己的优势和不足。选择的解决方案将取决于应用需求。

图形处理单元 (GPU)

GPU 是加速某些 CPU 执行起来效率较低的数据处理任务的专业芯片。GPU 与 CPU 的协同方式是在应用中帮助 CPU 分担大量原始数据处理。得益于其并行处理架构，GPU 可同时处理大量数据。

顾名思义，GPU 旨在加速图形渲染。今天，GPU 的可编程性和灵活性得到了前所未有的提升，不同行业的开发商正在将其用于人工智能 (AI) 和创造性生产。此外，您还可以在超级计算机和工作站中同时使用多个 GPU，以加速视频处理、3D 渲染、仿真以及机器学习模型的训练。

GPU 适合离线数据处理，如 AI 训练和非实时分析等。但它们并没有针对实时视频流媒体以及 AI 推断等低时延应用进行优化。

张量处理单元 (TPU)

TPU 是实现必要控制及算术逻辑来执行机器学习 (ML) 算法的专业电路。它们的算术逻辑单元（执行算术运算和逻辑运算的数字电路）彼此直接相连。因此可直接传输数据，无需使用任何内存。

与没有针对加速 ML 代码进行优化的 GPU 不同，TPU 对其进行了优化。但它们主要用于加速 Tensorflow、谷歌开源 ML 和 AI 软件库。因此，TPU 的灵活性极低。

自适应计算

自适应计算是唯一一种硬件在制造过程中不会永久固定的加速计算类型。相反，自适应计算涉及的硬件可以针对特定应用甚至特定加速功能定制。

自适应计算是一个新类别，建立在现有现场可编程门阵列 (FPGA) 技术基础上。FPGA 包含经过精心设计，在制造后可配置的器件，因此被称为“现场可编程”。通过根据确切需求定制其架构，它们实现应用的效率比 GPU 和 CPU（是通用固定架构的器件）都高。

这种灵活应变性使自适应计算成了加速计算的理想之选。

为什么自适应计算是硬件加速的最佳解决方案？

加速计算有助于提高高性能应用的效率；但并不是所有的加速器都适用于所有的应用。GPU 等固定芯片器件是非时延敏感型应用的最佳选择。TPU 适用于特定 AI 应用。然而，它们都不能为广泛的应用提供低时延加速，也不能为包括非 AI 部分的整个 AI 应用加速。

自适应计算是最理想的，因为其硬件可根据用户需求的变化进行更新。这可提高效率和性能，无需投入时间和金钱来创建新硬件。

本文来自xilinx文章，侵请联系删。