Tesla

  • CUDA Y EL GPU COMPUTING
  • APLICACIONES PARA LA GPU
  • GPUs PARA SERVIDORES Y ESTACIONES DE TRABAJO
¿Qué es el GPU Computing?
Divider

QUÉ ES EL CÁLCULO ACELERADO EN LA GPU

Puede definirse como el uso de una unidad de procesamiento gráfico (GPU) en combinación con una CPU para acelerar aplicaciones de cálculo científico, ingeniería y empresa. NVIDIA lo introdujo en 2007 y, desde entonces, las GPU han pasado a instalarse en centros de datos energéticamente eficientes de laboratorios, universidades, grandes compañías y PYMEs de todo el mundo.

Cómo se aceleran las aplicaciones con las GPUs

El cálculo acelerado en la GPU ofrece un rendimiento sin precedentes ya que traslada las partes de la aplicación con mayor carga computacional a la GPU y deja el resto del código ejecutándose en la CPU. Desde la perspectiva del usuario, las aplicaciones simplemente se ejecutan más rápido.

Cómo se aceleran las aplicaciones con las GPUs
 

LA CPU FRENTE A GPU

Una forma sencilla de entender la diferencia entre la CPU y la GPU es comparar la forma en que procesan las tareas. Una CPU consta de unos cuantos núcleos optimizados para el procesamiento secuencial de las instrucciones, mientras que la GPU se compone de miles de núcleos, más pequeños y eficientes, diseñados para manejar múltiples tareas de forma simultánea.

 

Las GPUs poseen miles de núcleos que procesan las cargas de trabajo de forma paralela y muy eficiente.

Las GPUs poseen miles de núcleos que procesan las cargas de trabajo de forma paralela y muy eficiente.

Echa un vistazo al vídeo de abajo para ver las diferencias entre la GPU y la CPU de una forma amena.

Echa un vistazo al vídeo de abajo para ver las diferencias entre la GPU y la CPU de una forma amena.


Ya hay cientos de aplicaciones conocidas que se aceleran en la GPU. Averigua si las tuyas se encuentran entre ellas consultando nuestro catálogo de aplicaciones..

CÓMO EMPEZAR A USARLO

Hay tres formas básicas de añadir aceleración en la GPU a las aplicaciones:
  • Utilizar librerías optimizadas para las GPUs.
  • Añadir directivas o instrucciones de compilación para paralelizar automáticamente el código.
  • Utilizar extensiones de lenguajes de programación que ya conozcas, como C y Fortran.

Es muy fácil aprender a usar las GPUs con el modelo de programación paralela CUDA.

Para acceder a las clases online y a los recursos de desarrollo gratuitos, entra en CUDA Zone.

VISITA CUDA ZONE