El documento proporciona una introducción al paralelismo, las GPU y la computación GPGPU. Explica que el paralelismo divide los problemas grandes en problemas más pequeños que pueden resolverse simultáneamente. Describe cómo las GPU utilizan el modelo SIMD para ejecutar la misma instrucción sobre múltiples datos en paralelo. Relata la evolución de las GPU de ser tarjetas dedicadas al renderizado gráfico a procesadores potentes capaces de superar CPUs antiguas, y su uso creciente para computación de alto rendimiento a través de

1. TECNOLÓGICO DE ESTUDIOS
SUPERIORES DE JOCOTITLÁN
BASES DE DATOS
DISTRIBUIDAS
PRESENTAN:
HUGO CRUZ REYES
DAVID MARTÍNEZ BECERRA
JESÚS ANTONIO HERNÁNDEZ
SERGIO ERNESTO GUADARRAMA GRANADOS
19 de Septiembre de 2013
GPU´s

2. CONTENIDO
• Introducción
• Paralelismo
• SIMD
• Desarrollo
• GPU´S
• Evolución de las GPU´s
• Comparación entre CPU y GPU
• GPGPU
• Desarrollo de las GPU´S
• Aplicaciones
• Conclusiones

3. PARALELISMO
• El paralelismo es una forma de computación en la cual
varios cálculos pueden realizarse simultáneamente.
• Basado en el principio de dividir los problemas grandes
para obtener varios problemas pequeños, que son
posteriormente solucionados en paralelo. (Divide y
vencerás)

4. SIMD

5. SIMD
•Todos los núcleos ejecutan la misma instrucción al
mismo tiempo.
•Solo se necesita decodificar la instrucción una única
vez para todos los núcleos
•Ejemplo: Unidades vectoriales: suma, producto de
vectores, etcétera

6. GPU´S
¿Qué es? Procesador Dedicado
VideojuegosAplicaciones 3D

7. GPU´S
•Hoy en día las GPU son muy potentes y pueden
incluso superar la frecuencia de reloj de una CPU
antigua (más de 800MHz)
•Arquitecturas Many-core con una cantidad ingente
de núcleos que realizan operaciones sobre múltiples
datos

8. EVOLUCIÓN GPU
• Ordenadores sin tarjeta gráfica.
• Aparición de GPUs para la representación en pantalla.
• GPUs para procesamiento gráfico: industria del videojuego
(3dfx,NVIDIA,ATI).
• En 2004 surge la idea de utilizar las GPU para computación de alto
rendimiento (HPC).
• 2007. NVIDIA ve oportunidad en el mercado del HPC y desarrolla
CUDA. (Lenguaje específico para aprovechar la capacidad de las
GPU).
• Actualmente NVIDIA ha tenido éxito en la computación GPGPU. Los
supercomputadores top utilizan clústers de GPUs para aumentar su
potencia computacional.

9. COMPARACIÓN CPU Y GPU
Intel Core 2 / Xeon / i7
• 4-6 núcleos MIMD
• Pocos registros, cache multi-nivel
• 10-30 GB/s ancho de banda hacia la memoria principal
NVIDIA GTX480
• 512 núcleos, organizados en 16 unidades SM cada una con 32 núcleos.
• Muchos registros, inclusión cachés nivel 1 y 2.
• 5 GB/s ancho de banda hacia el procesador HOST.
• 180 GB/s ancho de banda memoria tarjeta gráfica.

10. • Computación paralela sobre GPUs explicado por los
cazadores de mitos: CPU vs GPU

11. GPGPU
• Computación de propósito general sobre procesadores
gráficos
• Cómputo de aplicaciones tradicionalmente ejecutadas
sobre CPUs
• Aprovechamiento capacidades GPU:
• Grandes vectores de datos
• Paralelismo de grano fino SIMD
• Baja latencia en operaciones en punto flotante

12. EL GRAN DESARROLLO DE LAS GPU
• La evolución de las tarjetas gráficas ha venido acompañado de
un gran crecimiento en el mundo de los videojuegos y las
aplicaciones 3D
• Gran producción de chips gráficos por parte de grandes
fabricantes:
• NVIDIA (GeForce®, Quadro® y Tesla®)
• AMD(ATI)
• IBM: desarrollo en colaboración con Sony y Toshiba
procesadores Cell

18. CONCLUSIONES
"Las GPUs han evolucionado hasta un punto en que muchas de
las aplicaciones industriales actuales se ejecutan en ellas con
niveles de rendimiento muy superiores a los que ofrecerían si se
ejecutasen en sistemas multinúcleo. Las arquitecturas
informáticas del futuro serán sistemas híbridos con GPUs
compuestas por núcleos de procesamiento paralelo que
trabajarán en colaboración con las CPUs multinúcleo."
Jack Dongarra
Catedrático del Innovative Computing Laboratory
Universidad de Tennessee

19. ¡GRACIAS POR SU
ATENCIÓN!