GPU，Graphic Processing Unit，图形处理器，又称显示核心、视觉处理器、显示芯片，是一种在个人电脑、 工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。
GPGPU全称是“general-purpose computing on graphics processing units”，简称“通用图形处理单元”，其主要利用GPU的功能来执行CPU的任务，虽然在设计初期是为了更好地图形处理，但是多内核多通道的设计使其非常适合科学计算，发展至今GPGPU也成为了专为计算而设计的硬件，多用于计算密集型领域，比如AI、科学计算、大数据处理、通用计算、物理计算、加密货币生成等。
独立GPU：大部分封装于独立显卡电路板上，使用PCIE接口，性能相对更好。Top2厂商是NVIDIA和AMD。
集成GPU: 通常集成在CPU内部，与CPU共用Die和系统内存，性能相对弱，但能满足基本的显示需求。Top2厂商是Intel （HD系列）和AMD（APU系列）。
2，按应用端不同分为：PC GPU、服务器GPU和移动GPU。
PC端：集显主要用于对性能要求较低的办公电脑，独显主要用于对图形设计要求较高的场景，比如大型3A游戏的图形渲染、图形设计等。Top3厂商是Intel、NVIDIA、AMD。
服务器端：以独显为主，主要用于AI训练、AI推理学习、专业可视化处理、视频编解码等。主要厂商是 NVIDIA （Tesla）和AMD（FireStream）.
移动端：一般为集显，主要用于提升游戏体验，提升游戏性能。主要厂商都是手机CPU芯片厂商，比如Imagination（PowerVR系列）、高通（Adreno系列）、苹果（A系列）、ARM（公板Mali系列）、三星、华为、联发科等。
主流共识，GPU的性能评价指标依次为：微架构/制程＞流处理器数量/核心频率。
GPU显存是用来存储显卡芯片处理过或者即将提取的渲染数据，是GPU正常运作不可或缺的核心部件之一。
GPU的显存可以分为独立显存和集成显存两种。目前，独立显存主要采用GDDR3、GDDR5、GDDR5X、GDDR6，而集成显存主要采用DDR3、DDR4。服务器GPU偏好使用Chiplet形式的HBM显存，最大化吞吐量。
显存容量的大小对于GPU存储临时数据的多少起决定性作用，在GPU核心性能能够提供充足支撑前提下，越大的显存容量能够减少数据 读取次数，减少延迟出现。
显存位宽：是GPU在单位时钟周期内传送数据的最大位数，位数越大GPU的吞吐量越大。
显存频率：显存数据传输的速度即显存工作频率，通常以MHz为显存频率计数单位。
显存带宽：显存带宽=显存频率X显存位宽/8，为显存与显卡芯片间数据传输量.
主要包括：算力、纹理/像素填充率、功耗、加密性能等
算力性能参数的核心指标包括算力（单/双精度浮点性能等）、功耗。GPU算力越强，GPU的综合计算能力和运行性能越强。
图形渲染性能参数的核心指标包括纹理填充率、像素填充率等。
常见测试工具有GPU-Z、Mlperf、3DMark、FurMark、AIDA64 Extreme、GpuTest和GPU burn等。
AI 性能基准测试主要通过Mlperf。在训练领域，MLPerf覆盖八大工作负载测试，包括视觉渲染、语言识别、个性化推荐和深度学习等；在推理领域，MLPerf在七大不同神经网络进行用例测试，包括计算机视觉领域、推荐系统、语言处理和医学影像场景
CUDA是NVIDIA研发的通过利用GPU运算处理的编程、并行计算平台，目前广泛应用于诸多领域，包括CT图像再现、光线追踪、视频处理、计算生物学以及化学等。
NVIDIA最新生态架构组件包含六大部分：编程语言和API、开发库、分析和调试工具、数据中心工具和集群管理、GPU加速应用程序和GPU与CUDA架构链接。在通用计算GPU领域的生态几乎是被CUDA生态所占据。
转自-懂点技术的采购YJ
数据源于网络，错改，侵删！
