1.CPU与GPU对比CPU是集多种功能于一身的优秀龙头。它的优势在于强大的调度、管理、协调能力，其计算能力其次。GPU相当于接受CPU调度的“大算力”员工。下图是处理器内部结构图：DRAM即动态随机存取存储器，是一种常见的系统存储器。高速缓存：它用作计算机中的高速缓存。它是位于CPU和主存储器DRAM之间的小型高速存储器。算术逻辑单元ALU是一种组合逻辑电路，可以实现多组算术运算和逻辑运算。当你需要用大数据做同样的事情时，GPU更合适，当你需要用同样的数据做很多事情时，CPU恰到好处。GPU能做什么？对于图形和大规模矩阵运算，比如机器学习算法，GPU可以大显身手。简而言之，CPU擅长指挥全局等复杂操作，而GPU擅长对大数据进行简单重复的操作。CPU是复杂脑力劳动的教具，GPU是海量并行计算的体力劳动者。2.机器深度学习深度学习是通过模拟人脑神经系统建立的数学网络模型。这个模型最大的特点就是需要大数据进行训练。因此，对计算机处理器的要求就是需要进行大量的并行和重复计算。GPU恰恰有这个特长，时代造就英雄。因此，GPU应运而生。GPU具有以下特点：它提供了多核并行计算的基本结构，而且核数非常多，可以支持大量数据的并行计算。并行计算或并行计算是相对于串行计算而言的。它是一种可以一次执行多条指令的算法。目的是通过扩大问题求解规模，提高计算速度，解决大型复杂计算问题。具有更高的内存访问速度。更高的浮点计算能力。浮点运算能力是关系到处理器多媒体和3D图形处理能力的重要指标。在当今的计算机技术中，由于大量多媒体技术的应用，浮点数的计算量大大增加，例如3D图形的渲染。这三个特点非常适合深度学习。3、如何充分利用GPU的大数据处理能力GPU只是显卡上的一个核心部件，不能单独工作。它还需要一个缓存来协助其工作。独立显卡直接将GPU焊接在显卡电路板上，上面有一个散热风扇供其单独使用。集成显卡就是把GPU和CPU放在一起，共享缓存工作，共享一个散热风扇。计算机处理大块数据比一个一个处理效率更高，执行指令的开销也会大大降低，因为要处理大块数据，意味着需要更多的晶体管并行工作。现在旗舰显卡都在100亿晶体管以上。因此，要用GPU做大数据处理，至少目前还没有单独的GPU板可供购买。只能购买GPU性能出众的超级独立显卡，或者集成显卡中GPU性能出众的主板。
