看了很多，感觉下面的详细介绍就是我想要的，可以看清楚。CPU和GPU的设计方案差别很大，因为他们设计方案的总体目标不同，各自有两个不同的应用领域。
看了很多，感觉下面的详细介绍就是我想要的，可以看清楚。CPU和GPU的设计方案差别很大，因为两者设计方案的总体目标不同，在两个不同的应用领域也互不相同。CPU必须实用，才能解决各种不同的基础数据类型。另外，判断推理会引入很多分支自动跳转和终止的解决方案。这些都使得CPU的内部结构异常复杂。而GPU处理的是长宽比统一、互不依赖的规模数据信息，纯云计算平台不被隔断。
因此，CPU和GPU显示了非常不同的架构(平面图):
照片来自nVidia CUDA文本文档。
其中，祖母绿是测量模块，橙色是数据存储器，橙色是操纵模块。GPU选用大量的测量模块和很长的生产线，但它只有简单的运算逻辑，节省缓存。但是CPU在很多室内空房间不仅被缓存占用，而且运算逻辑复杂，供电电路多。相比较而言，数学计算只是CPU的一小部分。
从图中可以看出:
缓存，本地内存:CPU gt国家政治保卫局。参见OGPU
线程:GPU >: CPU
寄存器:GPU gt中央处理器
内存可以供很多线程使用，而thread，thread必须使用寄存器，Thread的线程数很大，而寄存器必须跟得相当大。单元(单指令多数据，通过相同的方法同时执行相同的命令):
GPU gt中央处理器.
根据低延迟CPU的设计方案:
CPU有强大的ALU(算术运算模块)，可以在很少的时钟周期内进行算术运算。现在的CPU可以做到64位双精度。双精度浮点源计算的加、减、加只需要1 ~ 3个时钟周期。CPU的时钟周期频率很高，达到1.532 ~ 3千兆赫(千兆网卡Hz，9的10的3次方)。大型缓存文件也可以减少延迟。大量存储的数据信息放在缓存文件中。当你必须浏览这种数据信息时，如果你以前浏览过，现在你可以立即在缓存文件中得到它。复杂逻辑操作模块。当程序流有几个分支时，可以根据显示分支预测分析的能力来减少延迟。信息共享。当一些命令依赖于先前命令的结果时，数据信息共享的逻辑操作模块决定这种命令在流水线中的位置，并尽快将一个命令的结果共享给后续命令。这种姿态必须与电源电路模块和共享电源电路模块进行比较。
GPU是按照大货运量来设计的。
GPU的特点是alu很多，缓存很少。缓存文件的目的不是存储以后必须浏览的数据信息，这一点不同于CPU，只是为了给线程改善服务项目。如果有一个线程同步必须浏览相同的数据信息，缓存文件会做这个浏览，然后再浏览dram(因为必须浏览的数据信息存储在dram而不是缓存中)。读取数据后，缓存会将这些数据信息共享给匹配进程。这一次，是数据信息共享的作用。但是因为要浏览dram，当然会造成时序的问题。
GPU的操控模块(左侧浅黄色区域块)可以将几个视图合并成几个视图。
GPU虽然有dram时序，但是有很多alu，有很多线程。为了平衡运行内存计时的问题，我们可以灵活利用许多alu的特性来实现非常大的货物吞吐量。分配尽可能多的线程。一般来说，GPU ALU的流水线会很重，这就是原因。
因此擅长逻辑操作和与CPU的串行通信计算。不同于一般的数据信息计算，GPU擅长高规模的并发计算，这也是密码破解所必需的。所以除了图像处理，GPU越来越多的参与计算。
绝大多数的GPU工作都是这样，计算量大，但是没什么技术含量，还要重复很多次。就像你在一份工作中要计算一百倍上亿以内的乘除法，最好的办法是雇几十个中小学生一起计算，每个学生算一部分。总之这种计算没有什么科技含量，只是辛苦而已。而CPU就像一个老教授。积分微分都算，就是工资高。一个老教授有二十个中小学生。如果你是富士康，你雇佣哪一个？这样GPU就用很多简单的计算模块进行很多计算日常任务，纯地毯式轰炸。这种对策是建立在一个前提条件上的，即中小学生A和B在工作中没有依赖感，相互独立。很多涉及很多计算的难题都是基于这样的特点，比如破解密码的计算，挖硬币，很多图像处理。这个计算可以分解成几个类似的简单的日常任务，每个日常任务可以分配给一个中小学生。但是也有一些日常任务涉及到“流”的问题。比如去相亲，不喜欢对方只能再发展趋势。不，你不能。你们还没在这里见过面。请叫那里的人来拿你所有的证书。这种很复杂的问题都是CPU来做的。
一般来说，CPU和GPU一开始要解决的日常任务不一样，所以设计方案差别很大。而且有些日常任务和GPU刚开始处理的问题差不多，用GPU就算了吧。GPU的运算速度取决于有多少中小学生就业，CPU的运算速度取决于请了多少厉害的专家教授。教授解决复杂日常任务的能力是碾压中小学生的，但对于不太复杂的日常任务，还是有很多人撑不住。今天的自然GPU也可以做一些稍微复杂的工作，相当于中学生和高中生的水平。但是需要CPU把数据信息喂到你嘴里，你才能开始工作。最后还是由CPU来管理。
什么样的程序流适合在GPU上运行？
(1)测量密集程序流。说白了，计算密集型的程序流程就是它的大部分运算时间都花在内存计算上。内存和CPU的速度都很高，基本没有时间从内存中读写数据信息。做个对比，读取运行内存的延迟时间大概是几十个时钟周期；电脑硬盘的读取速度就不多说了，连SSD真的太慢了。
(2)便于并行处理的程序流程。实际上，GPU是一种SIMD(单指令多数据)架构。它有无数个内核，每个内核都应该能够同时做同样的事情。
简而言之，CPU是专业化的，而GPU是暴力化的；
