Was ist eine GPU?
Eine Grafikverarbeitungseinheit (GPU) ist eine elektronische Schaltung, die mathematische Berechnungen mit hoher Geschwindigkeit durchführen kann. Rechenaufgaben wie Grafik-Rendering, Machine Learning (ML) und Videobearbeitung erfordern die Anwendung ähnlicher mathematischer Operationen auf einen großen Datensatz. Das Design einer GPU ermöglicht es ihr, dieselbe Operation für mehrere Datenwerte parallel auszuführen. Dies erhöht die Verarbeitungseffizienz für viele rechenintensive Aufgaben.
Warum sind GPUs wichtig?
Eine GPU eignet sich hervorragend für die allgemeine Parallelverarbeitung, aber in der Vergangenheit war dies nicht immer der Fall. Wie der Name schon sagt, wurden GPUs ursprünglich für eine bestimmte Aufgabe entwickelt: die Steuerung der Bildanzeige.
Herkunft der GPU
Vor der GPU hatten wir Punktmatrix-Bildschirme, die in den 1940er und 1950er Jahren veröffentlicht wurden. Danach folgten Vektor- und Rasterdisplays, später wurden dann die ersten Videospielkonsolen und PCs veröffentlicht. Zu dieser Zeit koordinierte ein nicht programmierbares Gerät, ein sogenannter Grafikcontroller, die Anzeige auf dem Bildschirm. Grafikcontroller verließen sich bei der Verarbeitung traditionell auf die CPU, obwohl einige auch On-Chip-Prozessoren enthielten.
Ungefähr zur gleichen Zeit gab es ein 3D-Bildgebungsprojekt, bei dem es darum ging, mit einem einzigen Prozessor ein einzelnes Pixel auf einem Bildschirm zu erzeugen. Ziel war es, in kurzer Zeit ein Bild zu erzeugen, das viele Pixel kombiniert. Dieses Projekt war der Ursprung der GPU, wie wir sie kennen.
Erst Ende der 1990er Jahre kamen die ersten GPUs auf den Markt. Diese zielten auf die Märkte Gaming und computergestütztes Design (CAD) ab. Die GPU integrierte eine zuvor softwarebasierte Rendering-Engine sowie eine Transformations- und Lightning-Engine in den Grafikcontroller – alles auf einem programmierbaren Chip.
Entwicklung der GPU-Technologie
Nvidia war 1999 das erste Unternehmen, das die Single-Chip-GeForce-256-GPUs auf den Markt brachte. Die 2000er und 2010er Jahre markierten eine Wachstumsphase, in der GPUs Funktionen wie Raytracing, Mesh-Shading und Hardware-Tesselation erhielten. Diese führten zu einer immer fortschrittlicheren Generierung von Bildern und Grafikleistung.
Erst 2007 veröffentlichte Nvidia CUDA, eine Softwareschicht, die Parallelverarbeitung auf der GPU verfügbar macht. Ungefähr zu dieser Zeit wurde klar, dass GPUs bei der Ausführung hochspezifischer Aufgaben sehr effektiv waren. Insbesondere zeichneten sie sich bei Aufgaben aus, die eine große Menge an Rechenleistung erfordern, um ein bestimmtes Ergebnis zu erzielen.
Als Nvidia CUDA veröffentlichte, wurde die GPU-Programmierung einem breiteren Publikum zugänglich gemacht. Entwickler könnten dann die GPU-Technologie für alle möglichen rechenintensiven praktischen Anwendungen programmieren. GPU-Computing wurde immer mehr zum Mainstream.
GPUs sind ein gefragter Chip für Blockchain und andere neue Anwendungen. Sie werden zunehmend für künstliche Intelligenz und Machine Learning (KI/ML) eingesetzt.
Was sind die praktischen Anwendungen für eine GPU?
GPUs können für eine Vielzahl von rechenintensiven Anwendungen eingesetzt werden, darunter umfangreiche Finanz-, Verteidigungs- und Forschungsaktivitäten. Hier sind einige der heute am häufigsten verwendeten GPUs.
Gaming
Die ersten Anwendungen des Grafikprozessors, die über die Visualisierungsanwendungen großer Unternehmen und Behörden hinausgingen, waren Spiele für den privaten Gebrauch. Sie wurden in den Spielekonsolen der 1980er Jahre verwendet und sind immer noch in PCs und aktuellen Spielekonsolen enthalten. GPUs sind für komplexes grafisches Rendern unverzichtbar.
Professionelle Visualisierung
GPUs werden in professionellen Anwendungen wie CAD-Zeichnungen, Videobearbeitung, Produktdurchführungen und Interaktivität, medizinischen Bildern und seismischen Bildgebung eingesetzt. Sie werden auch auf andere komplexe Bild- und Videobearbeitungs- und Visualisierungsanwendungen angewendet. Browserbasierte Anwendungen können die GPU sogar über Bibliotheken wie WebGL ausnutzen.
Machine Learning
Das Trainieren eines Modells für Machine Learning (ML) erfordert eine große Menge an Rechenleistung. Sie können jetzt auf GPUs ausgeführt werden, um schnellere Ergebnisse zu erzielen. Es kann zwar lange dauern, ein Modell auf selbst gekaufter Hardware zu trainieren, aber mit einer Cloud-GPU können Sie schnell Ergebnisse erzielen.
Blockchain
Kryptowährungen basieren auf Blockchains. Eine bestimmte Art von Blockchain, Proof of Work, ist für den Betrieb in der Regel stark auf GPUs angewiesen. Anwendungsspezifische integrierte Schaltungen (ASIC), ein ähnlicher, aber unterschiedlicher Chip, sind heute ein gängiger Ersatz für die GPU-Verarbeitung für Blockchain.
Algorithmische Proof-of-Stake-Blockchain-Beweise machen riesige Mengen an Rechenleistung überflüssig, aber Proof-of-Work ist immer noch allgegenwärtig.
Simulation
Fortgeschrittene Simulationsanwendungen, wie sie in der Molekulardynamik, Wettervorhersage und Astrophysik verwendet werden, können alle mit GPUs realisiert werden. GPUs stehen auch hinter vielen Anwendungen im Automobil- und Großfahrzeugdesign, einschließlich der Fluiddynamik.
Wie funktioniert eine GPU?
Moderne GPUs enthalten typischerweise eine Reihe von Multiprozessoren. Jeder hat einen gemeinsamen Speicherblock sowie eine Reihe von Prozessoren und entsprechenden Registern. Die GPU selbst verfügt über einen konstanten Speicher sowie über Gerätespeicher auf der Platine, auf der sie untergebracht ist.
Jede GPU funktioniert je nach Verwendungszweck, Hersteller, den Besonderheiten des Chips und der für die Koordination der GPU verwendeten Software leicht unterschiedlich. Mit der CUDA-Parallelverarbeitungssoftware von Nvidia können Entwickler die GPU beispielsweise speziell für fast jede Allzweck-Parallelverarbeitungsanwendung programmieren.
GPUs können eigenständige Chips sein, die als diskrete GPUs bezeichnet werden, oder in andere Computerhardware integriert sein, sogenannte integrierte GPUs (iGPUs).
Diskrete GPUs
Diskrete GPUs existieren als Chip, der sich voll und ganz der jeweiligen Aufgabe widmet. Während diese Aufgabe traditionell in der Grafik lag, können diskrete GPUs jetzt als dedizierte Verarbeitung für Aufgaben wie ML oder komplexe Simulationen verwendet werden.
Bei Verwendung in der Grafik befindet sich die GPU normalerweise auf einer Grafikkarte, die in ein Motherboard gesteckt wird. Bei anderen Aufgaben befindet sich die GPU möglicherweise auf einer anderen Karte oder einem Steckplatz direkt auf dem Motherboard selbst.
Integrierte GPUs
In den frühen 2010er Jahren begannen wir, eine Abkehr von diskreten GPUs zu beobachten. Die Hersteller begrüßten die Einführung der kombinierten CPU und GPU auf einem Chip, der sogenannten iGPU. Die ersten dieser iGPUs für PCs waren Intels Celeron-, Pentium- und Core-Linien. Diese sind bei Laptops und PCs nach wie vor beliebt.
Eine andere Art von iGPU ist das System auf einem Chip (SoC), das Komponenten wie CPU, GPU, Speicher und Netzwerke enthält. Dies sind die Arten von Chips, die typischerweise in Smartphones zu finden sind.
Virtuell
Wie andere Arten von Computerhardwareinfrastruktur können auch GPUs virtualisiert werden. Virtualisierte GPUs sind eine softwarebasierte Darstellung einer GPU, die Speicherplatz mit anderen virtuellen GPUs auf Cloud-Server-Instances teilt. Sie können sie verwenden, um Ihre Workloads auszuführen, ohne sich um die zugrunde liegende Hardwarewartung kümmern zu müssen.
Was ist der Unterschied zwischen einer GPU und einer CPU?
Der Hauptunterschied zwischen einer CPU und einer GPU ist ihr Zweck in einem Computersystem. Sie haben je nach System unterschiedliche Rollen. Sie dienen beispielsweise unterschiedlichen Zwecken in einem tragbaren Spielgerät, einem PC und einem Supercomputer mit mehreren Serverschränken.
Im Allgemeinen übernimmt die CPU die vollständige Systemsteuerung sowie Verwaltungs- und allgemeine Aufgaben. Umgekehrt erledigt die GPU rechenintensive Aufgaben wie Videobearbeitung oder Machine Learning.
Insbesondere sind CPUs für die Ausführung von Aufgaben wie diesen optimiert:
- Systemverwaltung
- Multitasking zwischen unterschiedlichen Anwendungen
- Eingabe- und Ausgabeoperationen
- Netzwerkfunktionen
- Steuerung von Peripheriegeräten
- Multitasking im Speicher- und Speichersystem
Was ist der Unterschied zwischen einer GPU und einer Grafikkarte?
Die Bezeichnungen Grafikverarbeitungseinheit und Grafikkarte werden oft synonym verwendet, sind aber nicht dasselbe.
Grafikkarten sind Zusatzplatinen (AIB), die an einer Stelle auf der Hauptplatine eines Computers eingesetzt werden. Grafikkarten sind nicht in den Computer selbst eingebaut, sie sind austauschbare Karten. Eine Grafikkarte wird komplett mit einer GPU geliefert.
Die GPU ist die Hauptkomponente von Grafikkarten. Sie existiert zusammen mit anderen Komponenten wie Video-RAM (VRAM) für Videospeicher, Anschlüssen (wie HDMI oder DisplayPort) und einer Kühleinheit. Eine GPU kann jedoch auch direkt in das Motherboard eingebaut oder zusammen mit anderen Komponenten als All-in-One-Chip integriert werden.
Wie kann AWS Ihnen bei Ihren GPU-Anforderungen helfen?
Amazon Web Services (AWS) bietet Amazon Elastic Compute Cloud (Amazon EC2), die umfassendste und tiefste Rechenplattform.
Amazon EC2 verfügt über mehr als 500 Instances und Sie haben die Wahl zwischen den neuesten Prozessoren, Speichern, Netzwerken, Betriebssystemen und Kaufmodellen. Es kann problemlos den Anforderungen Ihrer Workload entsprechen.
Mit Amazon EC2 ist es einfach, GPUs in der Cloud zu mieten und zu betreiben. Nutzen Sie GPUs für die Rechenleistung für Videobearbeitung, Rendergrafiken, künstliche Intelligenz (KI) und andere parallele Verarbeitungsfunktionen.
Amazon-EC2-Instances können für fast jede Art von Workload verwendet werden:
- P2-Instances eignen sich für allgemeine GPU-Datenverarbeitungsanwendungen.
- Amazon-EC2-P5-Instances verfügen über acht integrierte GPUs. Sie sind die neueste Generation von GPU-basierten Instances. Sie bieten die höchste Leistung in Amazon EC2 für Deep Learning und High Performance Computing (HPC).
- Amazon-EC2-G5-Instances werden von AWS-Graviton2-Prozessoren angetrieben und verfügen über NVIDIA-T4G-Tensor-Core-GPUs. Sie bieten die beste Preisleistung in Amazon EC2 für Grafik-Workloads wie Android-Spiel-Streaming.
Beginnen Sie mit der Verwendung von GPUs auf AWS, indem Sie noch heute ein Konto erstellen.
Nächste Schritte in AWS
Sie erhalten sofort Zugriff auf das kostenlose Kontingent von AWS.
Starten Sie mit der Entwicklung in der AWS-Managementkonsole.