GPU
Une unité de traitement graphique (GPU) est un circuit électronique spécialisé conçu pour manipuler rapidement et modifier la mémoire pour accélérer la création d'images dans un tampon de cadre destiné à la sortie à un appareil d'affichage.
Les GPU sont conçus pour effectuer un traitement parallèle, ce qui les rend très efficaces pour les tâches impliquant de grands ensembles de données et des calculs complexes. Contrairement aux CPU, qui sont optimisés pour l'informatique à usage général et les tâches séquentielles, les GPU excellent dans la gestion des opérations matricielles et des charges de travail parallèles inhérentes au rendu graphique, à l'apprentissage automatique et aux simulations scientifiques. Ils se composent de milliers de cœurs plus petits, ce qui leur permet de traiter plusieurs opérations simultanément, ce qui améliore considérablement les performances des applications à forte intensité de calcul.
Dans le contexte de l'infrastructure d'IA, les GPU sont cruciaux pour l'entraînement et l'exécution de modèles d'apprentissage automatique. Leurs capacités de traitement parallèle permettent un entraînement plus rapide des modèles, ce qui permet aux chercheurs et aux ingénieurs d'itérer plus rapidement et de déployer les modèles plus efficacement. La demande de GPU a augmenté avec la croissance de l'IA, ce qui a conduit à des avancées dans la technologie des GPU et au développement de matériel spécialisé optimisé pour les charges de travail d'IA.
graph LR
Center["GPU"]:::main
Rel_asic["asic"]:::related -.-> Center
click Rel_asic "/terms/asic"
Rel_asus_rog["asus-rog"]:::related -.-> Center
click Rel_asus_rog "/terms/asus-rog"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 Test de connaissances
🧒 Explique-moi comme si j'avais 5 ans
Un GPU, c'est comme une équipe de travailleurs super rapides, chacun faisant une petite partie d'un gros travail de dessin en même temps. Ça rend la création d'images et de vidéos beaucoup plus rapide qu'avec un seul travailleur polyvalent (comme un [CPU](/fr/terms/cpu)).
🤓 Expert Deep Dive
La différence architecturale entre les CPU et les GPU réside dans leur philosophie de conception fondamentale : les CPU privilégient la faible latence et le changement de tâche pour les opérations séquentielles, avec quelques cœurs puissants, de grands caches et une logique de contrôle complexe. Les GPU, en revanche, privilégient un débit élevé pour les opérations parallèles, avec des milliers de cœurs plus simples regroupés en multiprocesseurs de flux (SM). Chaque SM contient de nombreux cœurs CUDA (NVIDIA) ou Stream Processors (AMD), ainsi que des unités spécialisées pour des tâches telles que le mappage de textures et le lancer de rayons. La bande passante mémoire est essentielle pour les performances des GPU ; des mémoires à haute bande passante (HBM) ou des variantes GDDR sont utilisées pour alimenter efficacement les nombreux cœurs. Dans le domaine de l'apprentissage profond, l'architecture CUDA (Compute Unified Device Architecture) des GPU NVIDIA fournit une plateforme de calcul parallèle et un modèle de programmation qui abstrait le matériel sous-jacent, permettant aux développeurs d'exploiter la puissance des GPU pour le calcul à usage général (GPGPU). Les compromis impliquent la consommation d'énergie, la génération de chaleur et la complexité de la programmation pour les architectures massivement parallèles. Les accélérateurs d'IA spécialisés (par exemple, les TPU) offrent une optimisation supplémentaire pour des charges de travail ML spécifiques, surpassant parfois les GPU en termes d'efficacité énergétique pour certaines tâches.