GPU服务器与CPU服务器的区别,如何选择GPU服务器

一、什么是CPU？什么是GPU？

在搞清楚GPU服务器和CPU服务器的区别之前，我们先回忆下，什么是CPU？什么是GPU？

1、所谓CPU即中央处理器（CPU，central processing unit，缩写：CPU），是作为整个计算机系统的运算和控制的核心，是信息处理、程序运行的最终执行单元。CPU是最核心的部件，也是整个数据处理的最根本的部件。

2、所谓GPU即图形处理器（GPU，Graphics Processing Unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、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。

但是，仅仅从上面的字面含义，是不能正确了解GPU和CPU在数据计算中的扮演的重要角色。

GPU 与 与 CPU区别：

从 GPU 与 CPU 架构对比图可以看出，CPU 的逻辑运算单元较少，控制器占比较大；GPU 的逻辑运算单元小而多，控制器功能简单，缓存也较少。GPU 的众多逻辑运算单元呈矩阵排列，可以并行处理数量众多但较为简单的处理任务，图像运算处理就可以进行这样的拆解。GPU 单个运算单元处理能力弱于 CPU，但是数量众多的运算单元可以同时工作，当面对高强度并行计算时，其性能要优于 CPU。

简而言之

CPU擅长道统领全局等复杂操作而GPU擅长对大数据进行简单重复操作。CPU是从事复杂脑力劳动版的教援，而GPU是进行大量并行计算的体力劳动者。

深度学习是模拟人脑神经系统而建立的数学网络模型，这个模型的最大特点是，需要大数据来训练。因此，对电脑处理器的权要求，就是需要大量的并行的重复计算，GPU正好有这个专长。这也是GPU服务器如今如火如荼的重要原因。

二、CPU服务器和GPU服务器之间的区别

CPU服务器和GPU服务器的说法，其实也不科学。没有GPU的服务器，照样可以进行计算和使用，但没有CPU的服务器是无法工作的。简单的说，CPU服务器和GPU服务器的说法只是偏重于该服务器的侧重点不同而已。

三、GPU服务器

GPU服务器是基于GPU的应用于视频编解码、深度学习、科学计算等多种场景的快速、稳定、弹性的计算服务，我们提供和标准云服务器一致的管理方式。出色的图形处理能力和高性能计算能力提供极致计算性能，有效解放计算压力，提升产品的计算处理效率与竞争力。

四、如何选择GPU服务器，GPU服务器的选择原则：

首先，我们需要了解下，GPU主要分三种接口，目前市面上可以进行交付的主要是传统总线接口、PCIe接口和NV-Link接口的。

NV-Link接口类型的GPU典型代表是NVIDIA V100，采用 SXM2接口。在DGX-2上有SXM3的接口。NV-Link总线标准的GPU服务器可以分为两类，一类是NVIDIA公司设计的DGX超级计算机，另一类是合作伙伴设计的NV-Link接口的服务器。DGX超级计算机不仅仅提供硬件，还有相关的软件和服务。

传统总线接口的GPU，目前主流的有这几款产品，比如 PCI-e接口的V100、 P40（P开头指的是上一代PASCAL架构）和P4，以及最新的图灵架构T4等。其中比较薄和只占一个槽位的P4和T4，通常用于Inference，目前也已经有成熟的模型进行推理和识别。

传统PCI-e总线的GPU服务器也分为两类，一类是OEM服务器，比如曙光、浪潮、华为等其他国际品牌；另一类是非OEM的服务器，也包括很多种类。选择服务器时除了分类，还要考虑性能指标，比如精度、显存类型、显存容量以及功耗等，同时也会有一些服务器是需要水冷、降噪或者对温度、移动性等等方面有特殊的要求，就需要特殊的服务器。

选择GPU服务器时首先要考虑业务需求来选择适合的GPU型号。在HPC高性能计算中还需要根据精度来选择，比如有的高性能计算需要双精度，这时如果使用P40或者P4就不合适，只能使用V100或者P100；同时也会对显存容量有要求，比如石油或石化勘探类的计算应用对显存要求比较高；还有些对总线标准有要求，因此选择GPU型号要先看业务需求。

GPU服务器人工智能领域的应用也比较多。在教学场景中，对GPU虚拟化的要求比较高。根据课堂人数，一个老师可能需要将GPU服务器虚拟出30甚至60个虚拟GPU，因此批量Training对GPU要求比较高，通常用V100做GPU的训练。模型训练完之后需要进行推理，因此推理一般会使用P4或者T4，少部分情况也会用V100。

当GPU型号选定后，再考虑用什么样GPU的服务器。这时我们需要考虑以下几种情况：

第一、 在边缘服务器上需要根据量来选择T4或者P4等相应的服务器，同时也要考虑服务器的使用场景，比如火车站卡口、机场卡口或者公安卡口等；在中心端做Inference时可能需要V100的服务器，需要考虑吞吐量以及使用场景、数量等。

第二、 需要考虑客户本身使用人群和IT运维能力，对于BAT这类大公司来说，他们自己的运营能力比较强，这时会选择通用的PCI-e服务器；而对于一些IT运维能力不那么强的客户，他们更关注数字以及数据标注等，我们称这类人为数据科学家，选择GPU服务器的标准也会有所不同。

第三、 需要考虑配套软件和服务的价值。

第四、 要考虑整体GPU集群系统的成熟程度以及工程效率，比如像DGX这种GPU一体化的超级计算机，它有非常成熟的从底端的操作系统驱动Docker到其他部分都是固定且优化过的，这时效率就比较高。