GPU 加速计算可以提供非凡的应用程序性能，能将应用程序计算密集部分的工作负载转移到 GPU，同时仍由 CPU 运行其余程序代码。
从用户的角度来看，应用程序的运行速度明显加快。
理解 GPU 和 CPU 之间区别的一种简单方式是比较它们如何处理任务。
CPU 由专为顺序串行处理而优化的几个核心组成，而 GPU 则拥有一个由数以千计得更小、更高效的核心（专为同时处理多重任务而设计）组成的大规模并行计算架构。
谈及GPU在高性能计算方面的优势，就会自然联想到GPU诞生的经典问题：“为什么需要专门出现GPU来处理图形工作，CPU为啥不可以？”
为满足各位迫切的求知心，在此结论先行：图形渲染任务具有高度的并行性，GPU可以仅仅通过增加并行处理单元和存储器控制单元，便可取得比CPU更高效的处理能力和存储器带宽，提高一个数量级的运算速度。
二、GPU擅长大规模并发计算
GPU工作原理：
GPU采用流式并行计算模式，可对每个数据行独立的并行计算。
GPU与CPU区别：
三、GPU可分独立GPU和集成GPU
一般来讲，独立GPU的性能更高，但因此系统功耗、发热量较大。
集成GPU：
四、GPU广泛运用的计算场景
GPU拥有单一的强大并行计算能力，所以用途往往是需要大规模并行计算的场景。
早期GPU多被用于2D和3D图形的计算和处理，因为图形数据的处理往往涉及到大量的大型矩阵运算，计算量大但易于并行化。
近年由于大数据、人工智能发展，GPU也常常被用于需要大量重复计算的数据挖掘领域，如机器学习，深度学习等。
其中服务器GPU可做专业图形处理、计算加速、深度学习等应用，以独立GPU为主；移动端GPU主要采用集成GPU；PC根据使用用途不同，既可以搭载独立GPU，也可以使用集成GPU。
END