有所区别，因此归属两类。CPU 大都用于传统的桌面进程处理，而 GPU 在其他领域的应用越来越多。本文将分析其中的几个领域，同时对比 CPU 和 GPU 的主要区别。
为什么需要两种不同类型的处理器？
每个人都多少了解 CPU。CPU 被称为计算机的“大脑”，由数百万个多“内核”微型晶体管组成，是支撑计算机核心处理功能的关键。没有 CPU 的支持，操作系统和应用程序则无法运行操作。此外，CPU 也是计算机总体运行速度的决定性因素。
从根本上来说，GPU 更加专业化。其设计初衷是用于 3D 渲染，GPU 可以并行执行更多进程。因此， GPU 非常适用于图形密集型程序开发，这些程序需要为游戏呈现大量动态内容，或压缩/解压流媒体视频。除了渲染和图像处理，GPU 还被用于许多其他领域，如人工智能和比特币挖掘。
CPU 和 GPU 之间的主要区别，在于如何处理指令。以人为比喻，CPU 是只能一次处理一个任务的人，而 GPU 可以同时处理多个任务。有些人喜欢一板一眼按顺序做事，不过也有人可以同一时间做很多事。
CPU 接收一组数据，并按顺序进行处理，一切都井然有序。GPU 则将数据分布于多进程单元，这些单元正是针对特定任务设计的。这种将工作负载分发并行的高效方法，也是 GPU 能帮助减轻任务负担的主要原因。
为了展示 CPU 与 GPU 的差异，NVIDIA 请来了一对极客组合的帮助，这对极客组合共同展示了备受欢迎的“MythBusters”系列演讲。Adam Savage 和 Jamie Hyneman 结合了机械学和漆弹技术，对一个著名的艺术品进行了复制。视频“MythBusters Demo GPU versus CPU”展示了如何使用 CPU 和 GPU 方法进行有趣的娱乐活动。
视频
正如大家预期，首先展示的是 CPU 功能，视频中呈现了一个缓慢但准确的连续喷漆射击，最终得到了一个笑脸图。速度地提升，体现了快速射击的能力，但这种速度与接下来的展示还是大为不同。
Leonardo 2.0 是 MythBusters 的杰作，它呈现的是 GPU 的功能，执行并行进程。因此，他们可以复制更复杂细致的艺术作品，具体一点，《蒙娜丽莎》画作。借助倒计时和一个闪亮的按钮，这台机器差不多算是瞬间完成创作。尽管看起来像是瞬间完成的，但如果进行慢动作回放，我们可以看到创作过程的顺序。
CPU 与 GPU 的共生关系
GPU 和 CPU 之间的区别，并不代表其中一个胜于另一个，确切来说，这两者都在行业中有着特定的应用领域。如果没有GPU 提高进程速度，我们很难去渲染高度精细的 3D 图形。另一方面，我们也不会使用图形处理器去应付数据库服务器、web浏览器和 office 应用程序所需的计算能力。
GPU 的计算，也可以使用 CPU 执行。然而，硬件制造商认识到，将一些更常见的多媒体任务转移给 GPU，可以减轻 CPU 的负担并提高性能。因此，CPU 和 GPU 的协调平衡，有助于提升整体性能。
GPU 也并不能取代 CPU：CPU 仍然是计算硬件的主流处理器，CPU 负责分配数据，决定将其传递给 GPU 还是自己处理。
例如，尽管 CPU 也可以执行重复的计算，但使用 GPU 的原因在于其设计方式。GPU 中有多条可重复使用的指令，这些指令专为运行并行进程设计。
当程序员使用各种编程例程来利用GPU时，就会发生交互。数据传输发生在“总线层面”时，有效负载和返回的结果将快速交换。今天，程序员需要确定将哪些处理任务传递给 GPU 更好。然而，“自动”推送到 GPU 的想法也在不断发展（详见这篇文章以及这一篇），不过，目前这一切都还停留在学术层面。
GPU 的高级使用方式
在当今程序开发行业，GPU 的使用方式不断突破。它不仅仅适用于视频游戏的图形渲染等工作负载，还可以用于尖端技术发展，例如在人工智能领域，GPU 可用于人工智能程序的建模，这些程序可以进行情绪分析、金融预测和图像处理等操作。
在人工智能领域，GPU 提供了一种更具可扩展性的深度学习方法，这需要处理大量数据，这些数据可以使用 GPU 进行高效处理。GPU 对复杂数据的高效处理，使其成为首选处理器。
更多关于在深度学习领域中 CPU和GPU的功能对比，请参见基准测试和这篇文章。
NVIDIA 是一家领先的图形硬件制造商。它们提供 HPC SDK，因此开发者可以利用一个或多个 GPU 或 CPU 进行并行处理。此外，开发者还可以使用CUDA 工具包，在程序开发中并行进程。
对于那些寻找平台，并准备开始使用 NVIDIA 的GPU的入门用户来说，有很多信息可帮助你们快速入门。如果有合适的工具，实现进程并行化就会变得很简单。NVIDIA 为 Windows 和 Linux 提供 CUDA，而且这两个版本都是免费的，容易安装。更多关于 CUDA 的知识，以及如何在 C、C++ 和 Fortran 环境下使用，请阅读链接文章。
有关使用 NVIDIA GPU进行深度学习的示例，请参阅https://developer.nvidia.com/deep-learning-examples
实践才是关键
在理论上讨论 CPU 与 GPU是一回事，在实践中可能又是另外一回事。有两个成功案例可供大家参考，这些公司采取了简单直接的改善策略，现在，他们已经享受到了 C++/CUDA 的所有优势性能。这些公司选择与 Incredibuild 合作，解决了CI/CD 开发能力的问题。
MEDIAPRO 借助 CUDA 提升效率
MEDIAPRO 为体育赛事组织树立了一个良好的榜样，尤其是只有小规模的视频制作团队时。MEDIAPRO 的产品 AutomaticTV 引领AV集团的供应链，使用人工智能进行专业视频制作。但这种大规模的任务，需要进行高效编译。否则，开发者可能会因漫长的编译时间而懈怠懒散，无法及时展开下一项任务。
但 MEDIAPRO 当前的工作流程不支持他们需要的内容，分支之间切换复杂，开发者难以集中注意力，依赖关系管理效率低下，时间不足。因此，MEDIAPRO 与 CUDA 的结合，挑战重重。所幸，Incredibuild 的解决方案发挥功效，协助 MEDIAPRO 与 NVIDIA 的合作。
阅读链接内容，了解如何在 C++/CUDA 程序开发的机器中简单安装Incredibuild，即可将编译时间减少85%。
GeoTeric® 提升质量和速度
GeoTeric® 在节省编译时间上有一定的经验。他们的桌面程序需要成千上万的 C++ 文件和数百万行代码。这个程序主要显示用于三维建模的地质元素。尽管这个应用程序已经有如此高端的技术支持，他们也还是很难应用当今最好的高效编译实践。其敏捷开发，包含自动化测试，也因缓慢的构建而受阻。
最后，GeoTeric® 选择将 Incredibuild 纳入其工作流程，因此，CUDA 特定编译的时间从 15 分钟减少到 3 分钟，总体编译时间从可怕的 2 小时骤降到 11 分钟。可以想象，编译性能的提高最终帮助他们实现了开发速度的质变。
点击链接，了解 GeoTeric® 如何停止手动测试，以及缩短构建和交付时间。
