{"id":629,"date":"2019-02-09T12:14:36","date_gmt":"2019-02-09T15:14:36","guid":{"rendered":"http:\/\/blog.hostdime.com.ar\/?p=629"},"modified":"2026-04-27T10:12:31","modified_gmt":"2026-04-27T13:12:31","slug":"gpgpu-el-trabajo-de-la-cpu-y-de-la-unidad-de-procesamiento-grafico","status":"publish","type":"post","link":"https:\/\/www.hostdime.com.ar\/blog\/gpgpu-el-trabajo-de-la-cpu-y-de-la-unidad-de-procesamiento-grafico\/","title":{"rendered":"GPGPU el trabajo de la CPU y de la Unidad de procesamiento gr\u00e1fico"},"content":{"rendered":"

GPGPU el trabajo de la CPU y de la Unidad de procesamiento gr\u00e1fico. Continuo desarrollando este tema, en forma de episodios, que se puede seguir tambi\u00e9n en nuestros otros blogs en espa\u00f1ol, tanto en el de Per\u00fa como en el de Colombia. La raz\u00f3n de ser de esta ampliaci\u00f3n tem\u00e1tica, radica en \u00faltimas en ponderar, visionar y ejecutar estas tecnolog\u00edas en servidores dedicados<\/a> cada vez m\u00e1s potentes, acordes a las necesidades de nuestros tiempos y de la Inteligencia Artificial.Originalmente, los datos simplemente se pasaban en una direcci\u00f3n desde una unidad central de procesamiento (CPU) a una unidad de procesamiento de gr\u00e1ficos (GPU), y luego a un dispositivo de visualizaci\u00f3n .
\nSin embargo, a medida que avanzaba el tiempo, las GPU se volvieron valiosas para almacenar al principio estructuras simples y luego complejas de datos que se devuelven a la CPU que analiza una imagen, o un conjunto de datos cient\u00edficos representados como un formato 2D o 3D que un tarjeta de video puede entender.<\/p>\n

\"Tuberi\u0301as-GPGPU\"<\/a>Debido a que la GPU tiene acceso a cada operaci\u00f3n de sorteo, puede analizar los datos en estas formas r\u00e1pidamente, mientras que una CPU debe sondear cada p\u00edxel o elemento de datos mucho m\u00e1s lentamente, como la velocidad de acceso entre una CPU y su grupo m\u00e1s grande de memoria de acceso aleatorio. (o en un caso a\u00fan peor, un disco duro) es m\u00e1s lento que las GPU y las tarjetas de video, que generalmente contienen cantidades m\u00e1s peque\u00f1as de memoria m\u00e1s costosa y de acceso mucho m\u00e1s r\u00e1pido.
\nLa transferencia de la parte del conjunto de datos que se analizar\u00e1 activamente a esa memoria de GPU en forma de texturas u otros formularios de GPU de f\u00e1cil lectura resulta en un aumento de la velocidad. La caracter\u00edstica distintiva de un dise\u00f1o GPGPU es la capacidad de transferir informaci\u00f3n de manera bidireccional desde la GPU a la CPU; en general, el rendimiento de los datos en ambas direcciones es idealmente alto, lo que resulta en un efecto multiplicador en la velocidad de un algoritmo espec\u00edfico de alto uso .<\/p>\n

Las tuber\u00edas GPGPU pueden mejorar la eficiencia en conjuntos de datos especialmente grandes y \/ o datos que contienen im\u00e1genes 2D o 3D. Se utiliza en tuber\u00edas de gr\u00e1ficos complejos, as\u00ed como computaci\u00f3n cient\u00edfica ; m\u00e1s a\u00fan en campos con grandes conjuntos de datos como el mapeo del genoma , o donde el an\u00e1lisis bidimensional o tridimensional es \u00fatil, especialmente en el an\u00e1lisis de biomol\u00e9culas actuales , el estudio de prote\u00ednas y otros complejos compuestos de qu\u00edmica org\u00e1nica . Tales tuber\u00edas tambi\u00e9n pueden mejorar enormemente la eficiencia en el procesamiento de im\u00e1genes y la visi\u00f3n por computadora , entre otros campos; as\u00ed como el procesamiento en paralelo en general. Algunas tuber\u00edas muy fuertemente optimizadas han producido incrementos de velocidad de varios cientos de veces la tuber\u00eda original basada en la CPU en una tarea de alto uso.<\/p>\n

Un ejemplo simple ser\u00eda un programa de GPU que recopila datos sobre los valores de iluminaci\u00f3n promedio , ya que ofrece una vista desde una c\u00e1mara o un programa de gr\u00e1ficos de computadora al programa principal de la CPU, para que la CPU pueda realizar ajustes en la pantalla general. ver. Un ejemplo m\u00e1s avanzado podr\u00eda usar la detecci\u00f3n de bordes para devolver tanto la informaci\u00f3n num\u00e9rica como una imagen procesada que representa los esquemas a un programa de visi\u00f3n por computadora que controla, por ejemplo, un robot m\u00f3vil.<\/p>\n

Debido a que la GPU tiene un acceso de hardware r\u00e1pido y local a cada p\u00edxel u otro elemento de imagen en una imagen, puede analizarla y promediarla (para el primer ejemplo) o aplicar un filtro de borde Sobel u otra convoluci\u00f3n Filtre (para el segundo) con una velocidad mucho mayor que una CPU, que normalmente debe acceder a las copias m\u00e1s lentas de la memoria de acceso aleatorio del gr\u00e1fico en cuesti\u00f3n.<\/p>\n

\"GPGPU-Concepto<\/a><\/p>\n

GPGPU es fundamentalmente un concepto de software, no un concepto de hardware; es un tipo de algoritmo , no un equipo. Sin embargo, los dise\u00f1os de equipos especializados pueden mejorar a\u00fan m\u00e1s la eficiencia de las tuber\u00edas GPGPU, que tradicionalmente realizan relativamente pocos algoritmos en grandes cantidades de datos. Las tareas masivas en paralelo, gigantescas a nivel de datos, por lo tanto, pueden ser paralelizadas a\u00fan m\u00e1s a trav\u00e9s de configuraciones especializadas tales como computaci\u00f3n en bastidor (muchas m\u00e1quinas similares altamente personalizadas integradas en un bastidor ), que agrega una tercera capa: muchas unidades inform\u00e1ticas utilizan cada una muchas CPU para corresponder a muchas GPUs. Algunos \u00abmineros\u00bb de Bitcoin utilizaron tales configuraciones para el procesamiento de grandes cantidades.<\/p>\n

Caches<\/span><\/h2>\n

Hist\u00f3ricamente, las CPU han usado cach\u00e9s administrados por hardware, pero las GPU anteriores solo proporcionaban memorias locales administradas por software. Sin embargo, como las GPU se utilizan cada vez m\u00e1s para aplicaciones de uso general, las GPU de \u00faltima generaci\u00f3n se dise\u00f1an con cach\u00e9s de m\u00faltiples niveles administrados por hardware que han ayudado a las GPU<\/a> a avanzar hacia la computaci\u00f3n general. Por ejemplo, las GPU de arquitectura GT200 de la serie GeForce 200 no ten\u00edan una memoria cach\u00e9 L2, la GPU Fermi tiene 768 KiB de \u00faltimo nivel, la GPU Kepler tiene 1.5 MiB de \u00faltimo nivel, la GPU Maxwell tiene 2 MiB cach\u00e9 de \u00faltimo nivel y la GPU de Pascal tiene 4 cach\u00e9s de \u00faltimo nivel de MiB.<\/p>\n

Registrar archivo<\/span><\/h2>\n

Las GPU tienen archivos de registro muy grandes, lo que les permite reducir la latencia de cambio de contexto. El tama\u00f1o del archivo de registro tambi\u00e9n est\u00e1 aumentando en las diferentes generaciones de GPU, por ejemplo, el tama\u00f1o total del archivo de registro en Maxwell (GM200) y las GPU de Pascal son 6 MiB y 14 MiB, respectivamente. En comparaci\u00f3n, el tama\u00f1o de un archivo de registro en las CPU es peque\u00f1o, generalmente decenas o cientos de kilobytes.<\/p>\n

Leer tambi\u00e9n: \u00bfQu\u00e9 es la Computaci\u00f3n GPU?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

GPGPU el trabajo de la CPU y de la Unidad de procesamiento gr\u00e1fico. Continuo desarrollando este tema, en forma de episodios, que se puede seguir tambi\u00e9n en nuestros otros blogs en espa\u00f1ol, tanto en el de Per\u00fa como en el […]<\/p>\n","protected":false},"author":4,"featured_media":727,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-629","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologia"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/www.hostdime.com.ar\/blog\/wp-content\/uploads\/2019\/02\/Blog-HostDime-GPGPU.png","_links":{"self":[{"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/posts\/629","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/comments?post=629"}],"version-history":[{"count":1,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/posts\/629\/revisions"}],"predecessor-version":[{"id":1604,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/posts\/629\/revisions\/1604"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/media\/727"}],"wp:attachment":[{"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/media?parent=629"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/categories?post=629"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hostdime.com.ar\/blog\/wp-json\/wp\/v2\/tags?post=629"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}