冯诺依曼计算机架构的瓶颈
对 GPU 编程技术发展具有启发意义的几件事
多点计算模型
GPU 解决方案
几款新的显卡及其配置 (仅列 N 卡)
主流 GPU 编程接口
学习 GPU 编程的意义
前言本文通过介绍 GPU 编程技术的发展历程，让大家初步地了解 GPU 编程，走进 GPU 编程的世界。
冯诺依曼计算机架构的瓶颈曾经，几乎所有的处理器都是以冯诺依曼计算机架构为基础的。该系统架构简单来说就是处理器从存储器中不断取指，解码，执行。
但如今这种系统架构遇到了瓶颈：内存的读写速度跟不上 CPU 时钟频率。具有此特征的系统被称为内存受限型系统，目前的绝大多数计算机系统都属于此类型。
为了解决此问题，传统解决方案是使用缓存技术。通过给 CPU 设立多级缓存，能大大地降低存储系统的压力：
然而随着缓存容量的增大，使用更大缓存所带来的收益增速会迅速下降，这也就意味着我们要寻找新的办法了。
对 GPU 编程技术发展具有启发意义的几件事1. 70年代末期，克雷系列超级计算机研制成功 (克雷1当年耗资800万美元)。
此类计算机采用若干内存条的共享内存结构，即这些内存条可以与多个处理器相连接，从而发展成今天的对称多处理器系统 (SMD)。
克雷2是向量机 - 一个操作处理多个操作数。
如今的 GPU 设备的核心也正是向量处理器。
2. 80年代初期，一家公司设计并研制了一种被称为连接机的计算机系统。
该系统具有16个 CPU 核，采用的是标准的单指令多数据 (SIMD) 并行处理。连接机通过这种设计能够消除多余的访存操作，并将内存读写周期变为原来的 1/16 。
3. CELL 处理器的发明
这类处理器很有意思，其架构大致如下图所示：
在此结构中，一个 PPC 处理器作为监管处理器，与大量的 SPE流处理器相连通，组成了一个工作流水线。
对于一个图形处理过程来说，某个 SPE 可负责提取数据，另一个 SPE 负责变换，再另一个负责存回。这样可构成一道完完整整的流水线，大大提高了处理速度。
顺便提一句，2010年超级计算机排名第三的计算机就是基于这种设计理念实现的，占地面积达560平方米，耗资 1.25 亿美元。
多点计算模型集群计算是指通过将多个性能一般的计算机组成一个运算网络，达到高性能计算的目的。这是一种典型的多点计算模型。
而 GPU 的本质，也同样是多点计算模型。其相对于当今比较火的Hadoop/Spark集群来说：“点”由单个计算机变成了 单个SM (流处理器簇)，通过网络互连变成了通过显存互连 (多点计算模型中点之间的通信永远是要考虑的重要问题)。
GPU 解决方案随着 CPU "功耗墙" 问题的产生，GPU 解决方案开始正式走上舞台。
GPU 特别适合用于并行计算浮点类型的情况，下图展示了这种情况下 GPU 和 CPU 计算能力的差别：
但这可不能说明 GPU 比 CPU 更好，CPU应当被淘汰。 上图的测试是在计算可完全并行的情况下进行的。
对于逻辑更灵活复杂的串行程序，GPU 执行起来则远不如 CPU 高效 (没有分支预测等高级机制)。
另外，GPU 的应用早已不局限于图像处理。事实上 CUDA 目前的高端板卡 Tesla 系列就是专门用来进行科学计算的，它们连 VGA 接口都没。
几款新的显卡及其配置 (仅列 N 卡)
注：
1. 各参数的具体含义将在以后的文章中做细致分析
2. 当前显卡的具体参数信息可通过调试工具获取到 (方法略)
主流 GPU 编程接口1. CUDA
是英伟达公司推出的，专门针对 N 卡进行 GPU 编程的接口。文档资料很齐全，几乎适用于所有 N 卡。
本专栏讲述的 GPU 编程技术均基于此接口。
2. Open CL
开源的 GPU 编程接口，使用范围最广，几乎适用于所有的显卡。
但相对 CUDA，其掌握较难一些，建议先学 CUDA，在此基础上进行 Open CL 的学习则会非常简单轻松。
3. DirectCompute