仓鼠翞 2024-10-24 CPU：设计上更适合处理通用、复杂的任务，擅长单线程的任务调度、逻辑分支、控制流处理。CPU有较少的核心（通常4到16个），但每个核心的计算能力非常强，具备复杂的缓存和分支预测等功能来应对各种多样化的任务。 GPU：则专门为并行处理而设计。它有数百甚至数千个小核心，专注于执行大量简单、相似的操作，比如图形渲染中的像素计算和矩阵运算。因此，GPU非常适合大量并行计算任务，如矩阵乘法、图像处理、深度学习等，但在处理逻辑复杂的任务时表现较弱。 ♥ 121 ↩ 1
鲤鱼Cap 2024-10-25 CUDA给我的感觉类似于X86、ARM指令集，CUDA核心指的是流处理单元（N卡GUP核心） 类似的对应关系： 1. CUDA 与 N卡 2. X86指令集 与 英特尔CPU 3. ARM指令集 与 苹果M系列CPU ♥ 78 ↩ 7
账号已注销 2024-11-06 总的来说,这位讲解者全面介绍了CUDA(Compute Unified Device Architecture)的概念、发展历程和在总结：GPU加速计算、深度学习等领域的广泛应用。主要内容包括: 1. CUDA是NVIDIA推出的并行计算架构,允许在GPU上进行通用计算,不仅可用于图形渲染,也可用于科学计算等诸多领域。 2. CUDA核心(CUDA core)数量的不断增加极大提升了GPU的并行计算能力,使其在处理具有高度数据并行性的任务时表现出色。 3. 着色器(Shader)的引入使GPU可编程,开发者可自定义部分渲染流程,实现更复杂的3D效果。 4. 2006年NVIDIA推出8800 GTX,首款真正支持通用计算的GPU,标志着GPU时代的到来。 5. 2017年推出Volta架构和Tensor核心,专门加速深度学习中的张量运算,推动了AI的飞速发展。 6. CUDA虽占主导地位,但也面临华为、AMD、Intel等公司的GPU/加速器产品的挑战。 总之,lecture系统性地解释了CUDA的内涵、发展历程以及在多个领域的应用前景,内容丰富、观点精辟。 ♥ 75
飞雪飞飞飞 2025-01-13 CPU是串行计算。很多的计算任务，有先后顺序。比 如，运行多个程序。就需要把不是当前的任务，先退出。再装填新的，进行运算。[滑稽]gpu是并行计算。大量任务，都是相同的。可以同时计算。图形，就可以，分区处量。你算这半个，他算那半个。最后，合在一起输出。 ♥ 37 ↩ 5
sssssOvOsssss 2024-10-26 可以简单理解成API库，里面包含了各种算法库、驱动和编译器，就是方便程序员可以把算法并行化之后部署到GPU上运行的。有了cuda之后GPU才可以做一些通用计算的工作而非只能处理图像。 ♥ 35 ↩ 1
Comments
这个视频偏重于介绍GPU的发展历史，但是标题的CUDA却介绍的很少。
♥ 928 ↩ 20
cpu核心是少数几个知识渊博啥都懂的教授，gpu核心是很多很多会简单加减乘除的小学生[doge]
♥ 585 ↩ 63
只是说了并行计算，AMD显卡也是。您并没有解释CUDA呀？
♥ 271 ↩ 3
欢迎回来，deepseek时期的人们[tv_doge]
♥ 267 ↩ 21
你去做老师，数学课会上成体育课
♥ 126 ↩ 2
CPU：设计上更适合处理通用、复杂的任务，擅长单线程的任务调度、逻辑分支、控制流处理。CPU有较少的核心（通常4到16个），但每个核心的计算能力非常强，具备复杂的缓存和分支预测等功能来应对各种多样化的任务。 GPU：则专门为并行处理而设计。它有数百甚至数千个小核心，专注于执行大量简单、相似的操作，比如图形渲染中的像素计算和矩阵运算。因此，GPU非常适合大量并行计算任务，如矩阵乘法、图像处理、深度学习等，但在处理逻辑复杂的任务时表现较弱。
♥ 121 ↩ 1
视频做的不错，不过看完还有一个问题，什么是CUDA到底
♥ 93 ↩ 5
还是看不懂啊，如果显卡的出现是为了分担CPU很难做的工作，为什么不能用显卡直接代替CPU？或者在CPU里面布置CUDA之类？不懂啊[大哭]
♥ 122 ↩ 64
CUDA给我的感觉类似于X86、ARM指令集，CUDA核心指的是流处理单元（N卡GUP核心） 类似的对应关系： 1. CUDA 与 N卡 2. X86指令集 与 英特尔CPU 3. ARM指令集 与 苹果M系列CPU
♥ 78 ↩ 7
8800gtx当年在大众软件上看到的，眼馋呀，快上万了
♥ 56 ↩ 4
总的来说,这位讲解者全面介绍了CUDA(Compute Unified Device Architecture)的概念、发展历程和在总结：GPU加速计算、深度学习等领域的广泛应用。主要内容包括: 1. CUDA是NVIDIA推出的并行计算架构,允许在GPU上进行通用计算,不仅可用于图形渲染,也可用于科学计算等诸多领域。 2. CUDA核心(CUDA core)数量的不断增加极大提升了GPU的并行计算能力,使其在处理具有高度数据并行性的任务时表现出色。 3. 着色器(Shader)的引入使GPU可编程,开发者可自定义部分渲染流程,实现更复杂的3D效果。 4. 2006年NVIDIA推出8800 GTX,首款真正支持通用计算的GPU,标志着GPU时代的到来。 5. 2017年推出Volta架构和Tensor核心,专门加速深度学习中的张量运算,推动了AI的飞速发展。 6. CUDA虽占主导地位,但也面临华为、AMD、Intel等公司的GPU/加速器产品的挑战。 总之,lecture系统性地解释了CUDA的内涵、发展历程以及在多个领域的应用前景,内容丰富、观点精辟。
♥ 75
吃饭的时候点进来的。为什么敢点，因为我知道花子一定能把繁杂的问题讲得简单易懂[呲牙]
♥ 73 ↩ 2
CPU是串行计算。很多的计算任务，有先后顺序。比 如，运行多个程序。就需要把不是当前的任务，先退出。再装填新的，进行运算。[滑稽]gpu是并行计算。大量任务，都是相同的。可以同时计算。图形，就可以，分区处量。你算这半个，他算那半个。最后，合在一起输出。
♥ 37 ↩ 5
可以简单理解成API库，里面包含了各种算法库、驱动和编译器，就是方便程序员可以把算法并行化之后部署到GPU上运行的。有了cuda之后GPU才可以做一些通用计算的工作而非只能处理图像。
♥ 35 ↩ 1
[tv_doge]本来觉得懂的 看完感觉不懂了
♥ 28 ↩ 2
整个视频介绍的cuda内容太浅了，cpu讲完就直接带出cuda，然后一笔带过，马上又是simd，逻辑太乱，明显自己没有搞清楚
♥ 17 ↩ 1
视频还是不错的，但最后举的竞争对手的例子让人尴尬得直扣脚趾。这种硬刷的存在感太令人尴尬了。
♥ 15 ↩ 15
[抠鼻][抠鼻][抠鼻]00:19 ，这是anaconda环境下安装pytorch cuda的命令行，不是什么错误。。。
♥ 27 ↩ 6
CPU和CUDA那里说的不清楚呀，为啥CPU不能同时计算1w个粒子，CUDA就行
♥ 12 ↩ 8