Home-theater-designers
Kung sinusundan mo ang Nvidia at AMD, malamang na alam mo ang tungkol sa mga pagtutukoy ng kanilang mga GPU na nais gamitin ng pareho ng mga kumpanyang ito. Halimbawa, gusto ni Nvidia na bigyang-diin ang mga pangunahing bilang ng CUDA upang maiiba ang alok nito mula sa mga kard ng AMD, habang ginagawa din ng AMD ang mga Compute Units nito.
Ngunit ano talaga ang ibig sabihin ng mga term na ito? Ang isang CUDA core ba ang parehong bagay tulad ng isang Compute Unit? Kung hindi, kung gayon ano ang pagkakaiba?
ipinagbabawal wala kang pahintulot na mag-access
Sagutin natin ang mga katanungang ito at tingnan kung ano ang pinagkaiba ng isang AMD GPU mula sa isang Nvidia.
Pangkalahatang Arkitektura ng isang GPU
Lahat ng mga GPU, mula sa AMD, Nvidia, o Intel, ay gumagana nang pareho sa pangkalahatan. Mayroon silang parehong mga pangunahing sangkap at ang pangkalahatang layout ng mga sangkap na iyon ay pareho sa isang mas mataas na antas.
Kaya, mula sa isang pang-itaas na pananaw, ang lahat ng mga GPU ay pareho.
Kapag tiningnan namin ang tukoy, pagmamay-ari na mga sangkap na ang bawat tagagawa ay naka-pack sa kanilang GPU, nagsisimulang lumitaw ang mga pagkakaiba. Halimbawa, ang Nvidia ay nagtatayo ng mga core ng Tensor sa kanilang mga GPU, samantalang ang mga AMD GPU ay walang mga core ng Tensor.
Katulad nito, gumagamit ang AMD ng mga sangkap tulad ng Infinity Cache, na wala ang Nvidia GPUs.
Kaya, upang maunawaan ang pagkakaiba sa pagitan ng Compute Units (CUs) at CUDA core, kailangan muna nating tingnan ang pangkalahatang arkitektura ng isang GPU. Kapag naiintindihan na namin ang arkitektura at makita kung paano gumagana ang isang GPU, malinaw na nakikita namin ang pagkakaiba sa pagitan ng Compute Units at CUDA core.
Paano Gumagana ang isang GPU?
Ang unang bagay na kailangan mong maunawaan ay ang isang GPU na nagpoproseso ng libu-libo o kahit milyun-milyong mga tagubilin nang sabay-sabay. Samakatuwid, ang isang GPU ay nangangailangan ng maraming maliliit, lubos na parallel na mga core upang mahawakan ang mga tagubiling iyon.
Ang mga maliliit na core ng GPU na ito ay iba sa malalaking mga core ng CPU na nagpoproseso ng isang kumplikadong tagubilin bawat core nang paisa-isa.
Halimbawa, ang isang Nvidia RTX 3090 ay mayroong 10496 CUDA core. Sa kabilang banda, ang nangungunang-ng-linya na AMD Threadripper 3970X ay mayroong lamang 64 core.
Kaya, hindi namin maihahambing ang mga core ng GPU sa mga core ng CPU. Medyo marami mga pagkakaiba sa pagitan ng isang CPU at GPU dahil dinisenyo sila ng mga inhinyero upang magsagawa ng iba't ibang mga gawain.
Bukod dito, hindi katulad ng isang average na CPU, ang lahat ng mga core ng GPU ay nakaayos sa mga kumpol o grupo.
Sa wakas, ang isang kumpol ng mga core sa isang GPU ay may iba pang mga bahagi ng hardware tulad ng mga core ng pagproseso ng texture, mga yunit na lumulutang na puntos, at mga cache
upang matulungan ang proseso ng milyon-milyong mga tagubilin nang sabay. Tinutukoy ng parallelism na ito ang arkitektura ng isang GPU. Mula sa paglo-load ng isang tagubilin sa pagproseso nito, ginagawa ng isang GPU ang lahat ayon sa mga prinsipyo ng parallel na pagproseso.
- Una, ang GPU ay tumatanggap ng isang tagubilin upang iproseso mula sa isang pila ng mga tagubilin. Ang mga tagubiling ito ay halos palaging napakalaki na nauugnay sa vector.
- Susunod, upang malutas ang mga tagubiling ito, ipinapasa ng isang tagapag-iskedyul ng thread ang mga ito sa indibidwal na mga pangunahing kumpol para sa pagproseso.
- Matapos matanggap ang mga tagubilin, ang isang built-in na core cluster scheduler ay nagtatalaga ng mga tagubilin sa mga core o pagproseso ng mga elemento para sa pagproseso.
- Sa wakas, ang iba't ibang mga pangunahing kumpol ay nagpoproseso ng iba't ibang mga tagubilin nang kahanay, at ang mga resulta ay ipinapakita sa screen. Kaya, ang lahat ng mga graphic na nakikita mo sa screen, isang video game, halimbawa, ay isang koleksyon lamang ng milyun-milyong mga naprosesong vector.
Sa madaling salita, ang isang GPU ay may libu-libong mga elemento ng pagproseso na tinatawag naming mga core na nakaayos sa mga kumpol. Ang mga tagapag-iskedyul ay nagtatalaga ng trabaho sa mga kumpol na ito upang makamit ang parallelism.
Ano ang Mga Compute Units?
Tulad ng nakikita sa nakaraang seksyon, ang bawat GPU ay may mga kumpol ng mga core na naglalaman ng mga elemento ng pagproseso. Tinatawagan ng AMD ang mga pangunahing kumpol ng Compute Units.
www.youtube.com/watch?v=uu-3aEyesWQ&t=202s
Ang Compute Units ay isang koleksyon ng mga mapagkukunan sa pagproseso tulad ng parallel Arithmetic and Logical Units (ALUs), cache, mga yunit na lumulutang-point o mga prosesor ng vector, rehistro, at ilang memorya upang maiimbak ang impormasyon ng thread.
Upang mapanatili itong simple, ina-advertise lamang ng AMD ang bilang ng mga Compute Units ng kanilang mga GPU at hindi idetalye ang mga pangunahing sangkap.
Kaya, tuwing nakikita mo ang bilang ng mga Compute Units, isipin ang mga ito bilang isang pangkat ng mga elemento ng pagproseso at lahat ng mga kaugnay na bahagi.
paano ko tatanggalin ang mga paghahanap sa google
Ano ang CUDA Cores?
Kung saan ginusto ng AMD na panatilihing simple ang mga bagay sa bilang ng mga Compute Units, kumplikado ang Nvidia ng mga bagay sa pamamagitan ng paggamit ng mga term na tulad ng CUDA core.
Ang mga core ng CUDA ay hindi eksaktong mga core. Ang mga ito ay mga lumulutang point unit lamang na gusto ng Nvidia na termin bilang mga core para sa mga layunin sa marketing. At, kung naaalala mo, ang mga pangunahing cluster ay maraming built-in na mga yunit na lumulutang. Ang mga yunit na ito ay nagsasagawa ng mga kalkulasyon ng vector at wala nang iba.
Kaya, ang pagtawag sa kanila ng isang pangunahing ay purong marketing.
Samakatuwid, ang isang CUDA core ay isang elemento ng pagproseso na nagsasagawa ng mga pagpapatakbo ng lumulutang-point. Maaaring maraming mga CUDA core sa loob ng isang solong core cluster.
Sa wakas, tinawag ni Nvidia ang mga pangunahing kumpol Pag-streaming ng mga Multiprocessor o SM. Ang mga SM ay katumbas ng AMD Compute Units dahil ang Compute Units ay mga core clusters mismo.
Ano ang Pagkakaiba sa Pagitan ng Mga Compute Units at CUDA Cores?
Ang pangunahing pagkakaiba sa pagitan ng isang Compute Unit at isang CUDA core ay ang una ay tumutukoy sa isang core cluster, at ang huli ay tumutukoy sa isang elemento ng pagproseso.
Upang mas maunawaan ang pagkakaiba na ito, kunin natin ang halimbawa ng isang gearbox.
Ang gearbox ay isang yunit na binubuo ng maraming mga gears. Maaari mong isipin ang gearbox bilang isang Compute Unit at ang mga indibidwal na gears bilang mga lumulutang-point na yunit ng CUDA core.
Sa madaling salita, kung saan ang Compute Units ay isang koleksyon ng mga bahagi, ang mga CUDA core ay kumakatawan sa isang tukoy na sangkap sa loob ng koleksyon. Kaya, ang Compute Units at CUDA core ay hindi maihahambing.
Ito rin ang dahilan kung bakit binabanggit ng AMD ang bilang ng mga Compute Units para sa kanilang mga GPU palagi silang mas mababa kumpara sa nakikipagkumpitensya na mga kard ng Nvidia at kanilang pangunahing bilang ng CUDA. Ang isang mas kanais-nais na paghahambing ay nasa pagitan ng bilang ng Mga Multiprocessor sa Pag-stream ng card ng Nvidia at ang bilang ng Mga Compute Units ng AMD card.
Kaugnay: AMD 6700XT kumpara sa Nvidia RTX 3070: Ano ang Pinakamahusay na GPU sa ilalim ng $ 500?
Ang CUDA Cores at Compute Units ay magkakaiba at Hindi Maihahambing
May ugali ang mga kumpanya na gumamit ng nakalilito na terminolohiya upang maipakita ang kanilang mga produkto sa pinakamahusay na ilaw. Hindi lamang ito nakalilito sa customer, ngunit pinapahirapan din nito na subaybayan ang mga bagay na mahalaga.
Kaya, tiyaking alam mo kung ano ang hahanapin para maghanap para sa isang GPU. Ang pananatiling malayo sa marketing jargon ay gagawing mas mahusay at mas walang stress ang iyong pasya.
Magbahagi Magbahagi Mag-tweet Email Ang 30 Series Card Graphics ng NVIDIA ay Worth the Upgrade?Kung ikaw ay isang manlalaro, maaari kang matuksong i-upgrade ang iyong graphics card sa 30 Series ng NVIDIA. Ngunit sulit ba ito?
Basahin Susunod Mga Kaugnay na Paksa- Ipinaliwanag ang Teknolohiya
- Card ng Graphics
- Nvidia
- AMD Processor
Si Fawad ay isang buong-panahong freelance na manunulat. Gusto niya ang teknolohiya at pagkain. Kapag hindi siya kumakain o sumusulat tungkol sa Windows, naglalaro siya ng mga video game o nangangarap ng gising tungkol sa paglalakbay.
Higit Pa Mula sa Fawad MurtazaMag-subscribe sa aming newsletter
Sumali sa aming newsletter para sa mga tip sa tech, pagsusuri, libreng ebook, at eksklusibong deal!
Mag-click dito upang mag-subscribe