无论用于深度学习应用程序、大规模并行处理、密集型 3D 游戏或其他要求严苛的工作负载，人们希望当今的系统可以执行比以往任何时候都要多的任务。中央处理单元 (CPU) 和图形处理单元 (GPU) 具有截然不同的作用。CPU 用于哪些方面？GPU 用于哪些方面？
什么是 CPU
CPU 由数百万个晶体管组成，可以有多个处理内核，通常被称为计算机的大脑。它是所有现代计算系统必不可少的组成部分，因为它执行计算机和操作系统所需的命令和流程。在确定程序运行速度方面（从网页浏览到构建电子表格），CPU 也很重要。
什么是 GPU
GPU 是由许多更小、更专业的内核组成的处理器。在多个内核之间划分并执行一项处理任务时，通过协同工作，这些内核可以提供强大的性能。
CPU 与 GPU 有什么区别
CPU 和 GPU 具有很多共同点。它们都是重要的计算引擎。都是基于芯片的微处理器。并且，两者都处理数据。但是 CPU 和 GPU 具有不同的架构，构建的目的也不同。
CPU 适用于一系列广泛的工作负载，特别是那些对于延迟和单位内核性能要求较高的工作负载。作为强大的执行引擎，CPU 将它数量相对较少的内核集中用于处理单个任务，并快速将其完成。这使它尤其适合用于处理从串行计算到数据库运行等类型的工作。
GPU 最初是作为专门用于加速特定 3D 渲染任务的 ASIC 开发而成的。随着时间的推移，这些功能固定的引擎变得更加可编程化、更加灵活。尽管图形处理和当下视觉效果越来越真实的顶级游戏仍是 GPU 的主要功能，但同时，它也已经演化为用途更普遍的并行处理器，能够处理越来越多的应用程序。
什么是集成显卡
集成或共享显卡内置在 CPU 所处的同一个芯片上。某些 CPU 可带有内置 GPU，而不需要依赖专用或独立显卡。
集成显卡处理器具有多种优势。集成到 CPU 中与独立显卡处理器相比，有空间、成本和能效方面的优势。它们能够为常见任务（例如网页浏览、4K 电影流式传输和休闲游戏）处理显卡相关数据和指令。
这种方法最常用于紧凑尺寸和讲求能源效率的设备，例如笔记本电脑、平板电脑、智能手机和某些台式机。
加速深度学习和人工智能
当今的 GPU 运行越来越多的工作负载，例如深度学习和人工智能 (AI)。GPU 或其他加速器适用于使用神经网络层或在 2D 图像等大量数据集上进行的深度学习训练。
为使用 GPU 加速方法，对深度学习算法进行了调整。通过加速，这些算法能够大幅提高性能，可以将实际问题的训练时间缩短到可行的范围内。
CPU 以及在 CPU 上运行的软件库随着时间推移而不断演进，执行深度学习任务的能力也大大提高。比如，在最新的英特尔® 至强® 可扩展处理器中，通过大量的软件优化工作并添加专用 AI 硬件如英特尔® 深度学习加速（英特尔® DL Boost），可提升 CPU 系统的深度学习性能。
对于许多应用程序，例如对语言、文本和时间序列数据进行基于高清图像、3D 图像和非图像的深度学习，CPU 可以大放异彩。对于复杂模型或深度学习应用程序（例如，2D 图像检测），与当今最强大的 GPU 相比，CPU 可以支持大得多的内存容量。
CPU 与 GPU 的组合以及充足的 RAM 为深度学习和人工智能提供了出色的测试平台。
