Nvidia GPU蜕变：从图形处理到超级计算

　　6月7日下午，由中国软件行业协会主办的“2010年中国高效能计算应用高峰论坛”在北京举行，来自中国软件行业协会数学软件分会、中国科学院过程工程研究所、北京大学、中国科学院软件研究所、Nvidia、Intel、Mellanox的多位专家代表就“GPU、众核处理器在高性能计算领域里的最新应用发展与挑战”展开演讲与讨论。Nvidia中国 PSG销售经理谢强在会上介绍了Nvidia GPU高效能计算及生态系统的最新发展。

　　据了解，Nvidia的GPU核心业务一共有四条线：针对消费PC市场的GeForce显卡，针对专业工作站的QUADRO显卡，针对高性能计算的Tesla GPGPU产品，以及针对移动和嵌入式计算的TEGRA产品。谢强主要介绍了Tesla GPU硬件产品及CUDA软件开发平台的发展情况。

Fermi：GPU从图形处理到超级计算的变革

　　Tesla是Nvidia专门针对高性能计算打造的GPU产品，在超级计算机中充当并行计算加速器的角色——通用的X86多核处理器(CPU)负责数据库、操作系统等串行应用，GPU众核处理器则负责高性能并行计算，二者相互配合，从而数倍、十倍、甚至百倍地提高计算效率。

　　Fermi则是Nvidia专门为高性能计算优化的新一代处理器架构。跟前一代产品相比，基于该架构的Tesla GPU处理器拥有30亿颗晶体管，512个计算内核，双精度性能提升8倍，带有ECC校验功能，增加了L1和L2两级缓存，内存带宽提高两倍，理论上支持1TB GPU内存。当前支持Fermi架构的Tesla产品是C/S2050系列，年底将增加C/S2070系列。

　　在GPU领域本身来看，这一架构堪称具有“革命性”——让GPU得以脱掉传统图形处理器的外衣，换上了“专门针对高性能并行计算的众核处理器”的新装。新架构增加了两级缓存，是为了提高GPU的适用面，可以更好的适应数据密集型的应用。在支持的内存容量上，理论上的最大寻址空间可以达到1TB，但实际上，目前只能做到支持3GB内存，但比上一代产品已经有了很大的提升，而预计到今年底，Tesla系列可以支持到6GB，明年还可以支持到12GB。谢强表示，之所以目前还不支持更大的内存，一方面是考虑到应用的需要，另一方面也是出于性价比的考虑。另外在内核数量上，“虽然Fermi架构GPU可以做到512个内核，但受良品率的限制，实际上目前市场上的Tesla C2050都只集成了448个核，512核的版本预计要到年底才能推出。”

　　尽管还存在些许不足，但这些并不影响Tesla在高性能计算领域广受追捧。据最新出炉的全球高性能计算机TOP500排行榜，名列第二的曙光“星云”就使用了几千颗Tesla C2050，Linpack性能达到1.27千万亿次每秒!而从不久前落幕的SC2010(超级计算大会)上了解到的信息来看，包括中国的曙光“星云”和中科院过程所的Mole-8.5在内，国际上一共有8个类似的大型超级计算机项目在使用GPU做加速器，“使用GPU，我们很容易就可以突破100万亿次、200万亿次的Linpack性能。”Linpack测试性能值是目前TOP500排行的标准。

　　Tesla选型指南 萝卜青菜各有所好

　　从产品形态上，Tesla分为两条产品线：板卡状的C系列和整机状的S系列。

　　Tesla C系列可以PCI扩展卡的形式直接插在工作站中，本身带有散热模块，包括Tesla C1060、C2050和C2070三款产品。

　　采用Fermi架构的C2050是目前C系列中的主打产品，更新一代的C2070预计在今年10月份推向市场。据谢强介绍，C2050与C2070的最大差别就在于内存容量，前者支持3GB，后者支持6GB，可以满足更大规模的数据集应用。另一款较低端的C1060在未来两三年里仍会继续销售，其特点是单精度性能非常好，高达933 Gflops，而且支持4GB内存，比C2050的3GB要大，且价格只有C2050的一半左右，因此，非常适合那种纯单精度计算的应用或者需要更大一些内存的应用，如目前一些石油地震资料处理中的叠前偏移就在使用。

　　跟C系列的板卡形式不同，Tesla S系列则是完整的机架产品，但本身并不带CPU，需要与通用的X86服务器配合使用，目前也有S1070、S2050和S2070三款产品。从定位差异来看，与C系列的三款产品基本类似，S1070主打单精度计算市场，S2050是最新主流产品，支持6GB内存的S2070也得要等到今年年底才会出来。

　　跟Tesla相比，Nvidia Geforce是消费PC市场上大家耳熟能详的显卡品牌，“Geforce在可靠性设计上会弱一些，但是它很便宜，所以非常适合做前期的研究型应用，如果用在生产环节，我们仍然推荐Tesla。”

　　谢强还谈到，经过多年运作，迄今几乎所有主流的服务器厂商都已经推出了基于Nvidia GPU的产品，包括IBM、HP、戴尔、Sun、CRAY、BULL、NEC、SGI、富士通、超微、浪潮、联想等。如IBM已经在其针对高性能计算的iDataPlex机柜式服务器中集成了Nvidia的Fermi GPU产品，其一个经典案例是某西方地球物理公司先后采用了9000颗GPU来做地震资料处理。

　　软件好，才是真的好

　　不过，尽管GPU硬件发展如日中天，广受赞誉，但软件应用仍然面临很大挑战。虽然Nvidia公司这几年来也在不断的发展其CUDA软件开发与应用生态系统，但GPU编程难、标准不统一、程序可移植性差仍然让许多用户望而生畏。

　　对此，谢强谈到，Nvidia在打造围绕GPU并行计算的开发人员生态系统，包括多种数学库、调优工具、GPU编译器、并行化编译工具、各种工具包、CUDA咨询与培训以及众多的GPU计算解决方案。这个生态系统正在不断扩大，CUDA的魅力正是在于提供了更完整的系列工具。

　　比如，在大家普遍关心的编程工具方面，CUDA已经可以支持C/C++、Fortran、OpenCL、Java、Python、DirectCompute等。在数学库方面，除MATLAB、Mathematica之外，更多的厂家已经开始把核心数学库移植到CUDA上来，开发程序员面对的是一个完善的开发环境和工具包，可以做各种应用的开发与调优。同时，为了支持其他CPU、GPU硬件平台，CUDA C/C++也开始提供多种调优工具，让开发人员将在CUDA平台上写的程序进行转换，从而运行在多核CPU和AMD的GPU上面。尽管这还无法一步到位地解决程序在异构平台之间平滑移植的挑战，但至少让用户看到了一线曙光。

　　从应用软件来看，来自石油天然气、生命科学、视频渲染、金融分析、CAE、EDA等领域的专业公司正在用CUDA开发程序或进行移植。“生命科学是目前CUDA应用最完善的领域。”

　　此外，Nvidia也在计划在全球推出CUDA认证，目前全球已经有350所学校开通了CUDA课程，在国内，北大、清华、中科院将提供CUDA培训与认证服务。

　　总之，从硬件和软件两方面来看，GPU计算仍然处于发展当中，GPU要得到更广泛的普及和用户认可，不仅要把硬件做得更优秀，更具有通用性，而且在软件上，更是要大力降低开发难度和移植成本，这样才能不仅将GPU从传统的图形处理应用转向高性能计算，更能推广到更广泛的行业领域中去，GPU的发展才能后劲十足。