GPU (Graphics Processing Unit)

Qu’est-ce qu’un GPU (Graphics Processing Unit) ?

Les processeurs graphiques ou GPU (Graphics Processing Units) sont des processeurs spécialisés dans le traitement parallèle pour le rendu d’images et de vidéos, les simulations scientifiques et le machine learning. Contrairement aux CPU, qui sont spécialisés dans les tâches séquentielles, les GPU utilisent des milliers de processeurs plus petits et plus efficaces pour accomplir des tâches parallèles. Les GPU exploitent le parallélisme ainsi que du matériel spécialisé pour traiter les informations. Voici une explication simplifiée de la manière dont les GPU traitent les données :

• Parallélisme : Les GPU possèdent des milliers de cœurs organisés en multiprocesseurs de flux (SM, Streaming Multiprocessors). Ils peuvent effectuer des milliers de calculs en parallèle, chaque cœur étant capable d’exécuter ses instructions en simultané. Le parallélisme permet de gérer efficacement les énormes quantités de données nécessaires au rendu d’images haute résolution ou à l’entraînement de réseaux neuraux profonds.
• Vectorisation : Les GPU excellent dans le traitement simultané de vastes tableaux de données grâce à cette méthode. Ils peuvent atteindre de hauts niveaux de débit et d’efficacité en appliquant simultanément la même opération à de multiples données. Cette propriété est très avantageuse pour le rendu graphique et le calcul scientifique, où elle permet de rendre les pixels en parallèle et de manipuler efficacement les grandes matrices.
• Déchargement des tâches : Les GPU contemporains peuvent être utilisés pour des tâches générales de type CUDA (Compute Unified Device Architecture) ou OpenCL et le rendu graphique. En utilisant ces API, les programmeurs peuvent transférer les tâches à forte intensité de calcul exigeantes de l’unité centrale vers la carte graphique, de façon à exploiter les capacités de traitement parallèle du GPU. Cette possibilité est particulièrement intéressante dans le cadre des simulations scientifiques, du machine learning et de l’analyse de données.
• Hiérarchie de la mémoire : Les GPU sont dotés d’une architecture de mémoire hiérarchique optimisée pour le traitement parallèle. Cette architecture comprend une mémoire VRAM hors puce pour les images et une mémoire sur puce pour les données temporaires. Il est essentiel d’optimiser les performances des GPU pour mettre en œuvre des schémas d’accès mémoire efficaces, la latence de la mémoire étant susceptible d’affecter considérablement le débit global.
• Unités spécialisées : Les GPU intègrent souvent des unités de traitement spécialisées – notamment pour le mappage de texture, la rastérisation et le calcul géométrique – en plus de leurs unités de traitement conventionnelles. Ces composants spécialisés sont conçus pour effectuer des tâches graphiques particulières et collaborent avec des moteurs polyvalents pour rendre efficacement des scènes complexes.

De façon générale, les GPU s’appuient sur diverses techniques de traitement de données, dont la vectorisation, la hiérarchie de la mémoire, le parallélisme et les unités matérielles spécialisées. L’architecture exceptionnelle du GPU lui permet de gérer efficacement un large éventail de tâches de calcul, ce qui en fait un composant crucial pour les applications liées au calcul scientifique, à l’intelligence artificielle, au jeu et au multimédia.

Les performances des GPU sont évaluées en fonction de leur capacité à gérer le rendu visuel, les charges de travail de calcul et les activités de machine learning. Elles sont mesurées à l’aide des méthodes suivantes :

• Performances de rendu graphique :
  • FPS : Le GPU peut rendre un certain nombre d’images par seconde dans un jeu vidéo ou un programme graphique. Les images sont plus fluides et plus réactives lorsque le nombre d’images par seconde est élevé.
  • Outils de benchmarking : 3DMark, Unigine Heaven et GFXBench évaluent les GPU au moyen de tests et de scores standardisés, qui peuvent être examinés sur différents ordinateurs et dans différentes configurations.
• Performances de calcul :
  • Opérations en virgule flottante par seconde (FLOPS) : Le FLOPS est une mesure du nombre d’opérations arithmétiques en virgule flottante qu’un GPU peut effectuer par seconde. Il s’agit d’une indication générale des performances de calcul.
  • Cœurs CUDA ou processeurs de flux : La capacité de traitement parallèle du GPU est indiquée par le nombre de cœurs CUDA (pour les GPU NVIDIA) ou de processeurs de flux (pour les GPU AMD). Les performances de calcul augmentent avec le nombre de cœurs.
  • Benchmarks de calcul : Ces benchmarks, qui comprennent des benchmarks GPGPU (comme CUDA-Z) et des tests de performance de calcul (comme Linpack), évaluent les performances d’un GPU dans des activités de calcul particulières, telles que le traitement de données et les simulations scientifiques.
• Performances de la mémoire :
  • Bande passante mémoire : Il s’agit là de mesurer la vitesse à laquelle les données peuvent être transférées entre le GPU et sa mémoire. L’accès aux données et les performances sont meilleurs lorsque la bande passante mémoire est plus élevée.
  • Capacité et type de la mémoire : La capacité du GPU à traiter d’énormes ensembles de données ou des textures dépend de la capacité et du type de la mémoire (GDDR6, HBM2).
• Performances de machine learning :
  • Activités de machine learning : Ici, les performances du GPU sont évaluées en fonction de la rapidité avec laquelle il entraîne des modèles et fait des prédictions.
  • Suites de tests de performance : TensorFlow, PyTorch et MLPerf proposent des suites de tests de GPU adaptés au machine learning.
• Efficacité énergétique :
  • Performances par watt : Cette mesure compare les performances du GPU à la consommation d’énergie. Les datacenters et les appareils mobiles ayant besoin d’une bonne efficacité énergétique, les performances par watt doivent être les plus élevées possibles.

Les utilisateurs peuvent estimer correctement les performances des GPU pour les jeux, la production de contenu, le calcul scientifique et le machine learning en évaluant ces paramètres et en effectuant les tests et les analyses comparatives pertinents.