{"id":2413,"date":"2019-02-09T09:26:11","date_gmt":"2019-02-09T14:26:11","guid":{"rendered":"http:\/\/blog.hostdime.com.pe\/?p=2413"},"modified":"2019-02-11T15:17:03","modified_gmt":"2019-02-11T20:17:03","slug":"que-es-la-computacion-gpu-definicion-concepto","status":"publish","type":"post","link":"https:\/\/www.hostdime.com.pe\/blog\/que-es-la-computacion-gpu-definicion-concepto\/","title":{"rendered":"\u00bfQu\u00e9 es la Computaci\u00f3n GPU? Definici\u00f3n, concepto"},"content":{"rendered":"

\u00bfQu\u00e9 es la Computaci\u00f3n GPU? Definici\u00f3n, concepto. La computaci\u00f3n de GPU<\/a> es el uso de una GPU (unidad de procesamiento de gr\u00e1ficos) como un coprocesador para acelerar las CPU para la computaci\u00f3n cient\u00edfica y de ingenier\u00eda de prop\u00f3sito general.<\/p>\n

La GPU acelera las aplicaciones que se ejecutan en la CPU al descargar algunas de las partes del c\u00f3digo que requieren un uso intensivo de la computaci\u00f3n. El resto de la aplicaci\u00f3n todav\u00eda se ejecuta en la CPU.<\/p>\n

Desde la perspectiva de un usuario, la aplicaci\u00f3n se ejecuta m\u00e1s r\u00e1pido porque utiliza la capacidad de procesamiento masivamente paralelo de la GPU para aumentar el rendimiento. Esto se conoce como computaci\u00f3n “heterog\u00e9nea” o “h\u00edbrida”.<\/p>\n

No olvidemos que el uso de m\u00faltiples tarjetas de video en una computadora o servidor web<\/a>, o un gran n\u00famero de chips de gr\u00e1ficos, paraleliza a\u00fan m\u00e1s la naturaleza ya paralela del procesamiento de gr\u00e1ficos. Adem\u00e1s, incluso un \u00fanico marco GPU-CPU proporciona ventajas que varias CPU por s\u00ed mismas no ofrecen debido a la especializaci\u00f3n en cada chip.<\/p>\n

\"Marco-GPU-y-CPU\"<\/a><\/p>\n

Esencialmente, una tuber\u00eda de GPGPU es un tipo de procesamiento paralelo entre una o m\u00e1s GPU y CPU que analiza los datos como si estuvieran en imagen u otra forma gr\u00e1fica. Si bien las GPU operan a frecuencias m\u00e1s bajas, generalmente tienen muchas veces el n\u00famero de n\u00facleos. Por lo tanto, las GPU pueden procesar muchas m\u00e1s im\u00e1genes y datos gr\u00e1ficos por segundo que una CPU tradicional. La migraci\u00f3n de datos a una forma gr\u00e1fica y luego usar la GPU para escanearlos y analizarlos puede crear una gran aceleraci\u00f3n.<\/p>\n

Las tuber\u00edas GPGPU se desarrollaron a principios del siglo XXI para el procesamiento de gr\u00e1ficos (por ejemplo, para mejores sombreadores). Se encontr\u00f3 que estas tuber\u00edas se ajustaban bien a las necesidades de computaci\u00f3n cient\u00edfica, y desde entonces se han desarrollado en esta direcci\u00f3n.<\/p>\n

Como ya sabemos adem\u00e1s, una CPU consta de cuatro a ocho n\u00facleos de CPU, mientras que la GPU consta de cientos de n\u00facleos m\u00e1s peque\u00f1os. Juntos, operan para analizar los datos de la aplicaci\u00f3n. Esta arquitectura masivamente paralela es lo que le da a la GPU su alto rendimiento inform\u00e1tico. Hay una serie de aplicaciones aceleradas por GPU que proporcionan una manera f\u00e1cil de acceder a la computaci\u00f3n de alto rendimiento (HPC).<\/p>\n

Comparaci\u00f3n de n\u00facleos entre una CPU y una GPU<\/span><\/h2>\n

Los desarrolladores de aplicaciones aprovechan el rendimiento de la arquitectura GPU paralela utilizando un modelo de programaci\u00f3n paralelo inventado por NVIDIA llamado “CUDA”. Todas las GPU NVIDIA (GeForce\u00ae, Quadro\u00ae y Tesla\u00ae) son compatibles con el modelo de programaci\u00f3n paralela NVIDIA\u00ae CUDA\u00ae.<\/p>\n

Las GPU de Tesla est\u00e1n dise\u00f1adas como aceleradores computacionales o procesadores complementarios optimizados para aplicaciones inform\u00e1ticas cient\u00edficas y t\u00e9cnicas. Las \u00faltimas GPU de la serie 20 de Tesla se basan en la \u00faltima implementaci\u00f3n de la plataforma CUDA denominada “arquitectura Fermi”. Fermi tiene caracter\u00edsticas de computaci\u00f3n clave, como m\u00e1s de 500 gigaflops de soporte de hardware de punto flotante de precisi\u00f3n doble IEEE est\u00e1ndar, cach\u00e9s L1 y L2, protecci\u00f3n de errores de memoria ECC, cach\u00e9s locales de datos administrados por el usuario en forma de memoria compartida dispersada en toda la GPU, fusionando Accesos a memoria, y m\u00e1s.<\/p>\n

HISTORIA DE LA COMPUTACI\u00d3N GPU<\/span><\/h2>\n

\"NV1-Nvidia-Historia<\/a>Los chips de gr\u00e1ficos comenzaron como tuber\u00edas de gr\u00e1ficos de funci\u00f3n fija. Con el paso de los a\u00f1os, estos chips de gr\u00e1ficos se volvieron cada vez m\u00e1s programables, lo que llev\u00f3 a NVIDIA a introducir la primera GPU. En el per\u00edodo 1999-2000, los cient\u00edficos inform\u00e1ticos, junto con investigadores en campos como la imagen m\u00e9dica y el electromagnetismo, comenzaron a utilizar GPU para acelerar una gama de aplicaciones cient\u00edficas. Esta fue la llegada del movimiento llamado GPGPU, o computaci\u00f3n de prop\u00f3sito general GPU.<\/p>\n

El desaf\u00edo era que GPGPU requer\u00eda el uso de lenguajes de programaci\u00f3n de gr\u00e1ficos como OpenGL y Cg para programar la GPU. Los desarrolladores ten\u00edan que hacer que sus aplicaciones cient\u00edficas parecieran aplicaciones gr\u00e1ficas y mapearlas en problemas que dibujaban tri\u00e1ngulos y pol\u00edgonos. Esto limit\u00f3 la accesibilidad al tremendo rendimiento de las GPU para la ciencia.<\/p>\n

NVIDIA se dio cuenta del potencial de brindar este rendimiento a la comunidad cient\u00edfica en general e invirti\u00f3 en la modificaci\u00f3n de la GPU para que sea completamente programable para aplicaciones cient\u00edficas. Adem\u00e1s, agreg\u00f3 soporte para lenguajes de alto nivel como C, C ++ y Fortran. Esto llev\u00f3 a la plataforma de computaci\u00f3n paralela CUDA para la GPU.<\/p>\n

Leer tambi\u00e9n:\u00a0GPU NVIDIA Tesla-P 100<\/a>\u00a0; C\u00f3mo Big Data Analytics jugar\u00e1 un papel importante en las empresas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

\u00bfQu\u00e9 es la Computaci\u00f3n GPU? Definici\u00f3n, concepto. La computaci\u00f3n de GPU es el uso de una GPU (unidad de procesamiento de gr\u00e1ficos) como un coprocesador para acelerar las CPU para la computaci\u00f3n cient\u00edfica y de ingenier\u00eda de prop\u00f3sito general.<\/p>\n","protected":false},"author":2,"featured_media":2423,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[9],"tags":[],"class_list":["post-2413","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologia"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/posts\/2413","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/comments?post=2413"}],"version-history":[{"count":0,"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/posts\/2413\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/media\/2423"}],"wp:attachment":[{"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/media?parent=2413"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/categories?post=2413"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hostdime.com.pe\/blog\/wp-json\/wp\/v2\/tags?post=2413"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}