华为Mate60Pro 到底用的什么GPU架构？

欢迎大家来到IT世界,在知识的湖畔探索吧!

华为突破5G封锁，安兔兔跑分才60w, 华为Mate60 pro 到底用的什么GPU架构，这就要从GPU的架构先说起….

一、 基于架构设计的分类

1.1. SIMD架构

SIMD（Single Instruction, Multiple Data）架构是一种并行计算架构，它允许同一指令同时处理多个数据元素。在GPU架构中，SIMD被广泛应用于图形渲染和通用计算任务中。

SIMD架构通过将多个处理单元组织成向量单元，每个向量单元可以同时执行相同的指令，但操作的是不同的数据元素。这种并行计算方式可以大幅提高计算性能，特别适用于需要处理大量数据的任务。

在GPU架构中，SIMD架构被用于执行图形渲染任务。例如，在图形渲染中，需要对每个像素进行计算，而每个像素的计算都是相同的，只是操作的数据不同。SIMD架构可以将多个像素的计算任务并行执行，从而加速图形渲染的速度。

除了图形渲染，SIMD架构还被广泛应用于通用计算任务。例如，在科学计算、机器学习和数据分析等领域，需要对大量数据进行并行计算。SIMD架构可以将多个数据元素的计算任务并行执行，提高计算效率。

总结来说，SIMD架构是一种并行计算架构，允许同一指令同时处理多个数据元素。在GPU架构中，SIMD被广泛应用于图形渲染和通用计算任务中，通过并行执行多个数据元素的计算任务，提高计算性能。

1.2. MIMD架构

MIMD（Multiple Instruction, Multiple Data）架构是一种并行计算架构，它允许多个处理器同时执行不同的指令，处理不同的数据。MIMD架构适用于需要高度并行处理的任务，如科学计算、图形渲染等。

MIMD架构中的每个处理器都有自己的指令流和数据流，它们可以独立地执行不同的指令，访问不同的数据。这种并行性使得MIMD架构能够高效地处理大规模的计算任务。

MIMD架构可以分为两种类型：共享内存和分布式内存。在共享内存架构中，所有处理器共享同一块内存，可以直接访问和修改共享数据。而在分布式内存架构中，每个处理器都有自己的私有内存，它们之间通过消息传递进行通信。

下表列出了几种常见的MIMD架构：

通过使用不同类型的MIMD架构，可以根据任务的需求选择最适合的架构来提高计算性能和效率。

1.3. SIMT架构

SIMT（Single Instruction, Multiple Threads）架构是一种并行计算架构，常用于GPU（Graphics Processing Unit）中。SIMT架构的特点是将多个线程组织成线程块，并通过多个线程块同时执行相同的指令。每个线程块中的线程可以同时执行不同的数据，从而实现了并行计算。

SIMT架构的设计目标是提高GPU的计算性能和吞吐量。它通过将多个线程组织成线程块，并利用多个线程块同时执行相同的指令，实现了对大规模数据的并行处理。在SIMT架构中，每个线程块中的线程可以同时执行不同的数据，从而提高了计算效率。

SIMT架构的工作流程如下：

1. 将任务分解为多个线程块，每个线程块包含多个线程。
2. 将线程块分配给不同的处理单元，每个处理单元可以同时执行多个线程块。
3. 在每个处理单元中，根据指令调度器的指令调度策略，将指令分发给不同的线程执行。
4. 每个线程执行相同的指令，但可以操作不同的数据。
5. 执行完指令后，将结果写回到内存中。

SIMT架构的优势在于可以同时执行多个线程块，从而实现了对大规模数据的并行处理。它适用于需要高计算性能和吞吐量的应用场景，例如图形渲染、科学计算和机器学习等领域。

下表是SIMT架构与其他常见GPU架构的比较：

通过比较不同的GPU架构，可以选择适合自己需求的架构来提高计算性能和吞吐量。

二、 基于硬件结构的分类

2.1. 统一内存架构

统一内存架构是一种GPU架构，它的设计目标是将CPU和GPU之间的内存进行统一管理，使得程序员无需手动地将数据从主机内存复制到设备内存。在统一内存架构中，CPU和GPU共享同一块内存地址空间，从而可以直接访问对方的内存。这种设计带来了许多好处，例如简化了程序的内存管理，减少了数据传输的开销，并且提高了程序的可移植性。

在统一内存架构中，程序员可以通过使用特殊的关键字来标识需要在CPU和GPU之间共享的数据。当程序在GPU上执行时，GPU会自动将所需的数据从主机内存复制到设备内存，并在计算完成后将结果复制回主机内存。这个过程是透明的，程序员无需手动干预。另外，统一内存架构还支持数据的动态迁移，即根据程序的需求，系统可以自动将数据从主机内存迁移到设备内存，以提高访问性能。

总之，统一内存架构是一种方便程序员使用的GPU架构，它通过统一管理CPU和GPU之间的内存，简化了程序的开发和优化过程，并提高了程序的可移植性和性能表现。

2.2. 分布式内存架构

2.2.1. NUMA架构

NUMA（Non-Uniform Memory Access，非一致性内存访问）是一种分布式内存架构，它将内存划分为多个节点，每个节点都有自己的处理器和内存。在NUMA架构中，每个处理器只能直接访问本地节点的内存，而对于其他节点的内存访问则需要通过远程访问。这种分布式的内存访问方式导致了不同节点之间的内存访问延迟不一致，即非一致性内存访问。NUMA架构适用于多处理器系统，可以提供更高的内存带宽和更低的延迟，从而提高系统的整体性能。

2.2.2. CC-NUMA架构

CC-NUMA（Cache Coherent Non-Uniform Memory Access，缓存一致性非一致性内存访问）是一种改进的NUMA架构，它通过在每个节点上添加缓存一致性协议来解决NUMA架构中的缓存一致性问题。在CC-NUMA架构中，每个节点都有自己的本地缓存，并通过缓存一致性协议来保证多个节点之间的缓存一致性。CC-NUMA架构可以提供更好的内存访问性能和可伸缩性，尤其适用于大规模多处理器系统。

2.2.3. GPU内存架构

GPU（Graphics Processing Unit，图形处理器）是一种专门用于图形渲染和并行计算的处理器。GPU内存架构与传统的CPU内存架构有所不同。在GPU内存架构中，通常会采用分布式内存的方式，将内存划分为多个分区，每个分区都有自己的处理器和内存。这种分布式的内存架构可以提供更高的内存带宽和更低的延迟，从而加速图形渲染和并行计算任务的执行。

2.2.4. HBM架构

HBM（High Bandwidth Memory，高带宽内存）是一种高性能的内存架构，主要用于GPU和其他高性能计算设备中。HBM架构采用了堆叠式内存技术，将多个内存芯片堆叠在一起，通过垂直连接来提供更高的内存带宽。HBM架构可以提供更高的内存带宽和更低的功耗，从而提高系统的整体性能。HBM架构适用于对内存带宽要求较高的应用场景，如图形渲染、深度学习等。

2.2.5. GDDR架构

GDDR（Graphics Double Data Rate，图形双倍数据速率）是一种专门用于图形处理器的内存架构。GDDR架构采用了类似于DDR（Double Data Rate，双倍数据速率）的技术，在每个时钟周期传输两个数据，从而提高内存带宽。GDDR架构通常用于高性能图形处理器，可以提供更高的内存带宽和更低的延迟，从而提高图形渲染和并行计算的性能。

2.2.6. HMC架构

HMC（Hybrid Memory Cube，混合内存立方体）是一种新型的内存架构，采用了堆叠式内存技术和串行通信接口，可以提供更高的内存带宽和更低的功耗。HMC架构将多个内存芯片堆叠在一起，并通过串行通信接口进行数据传输，从而实现更高的数据传输速率。HMC架构适用于对内存带宽和功耗要求较高的应用场景，如高性能计算、数据中心等。

2.2.7. 其他架构

除了上述提到的架构，还有一些其他的GPU架构，如AMD的Infinity Fabric架构、NVIDIA的NVLink架构等。这些架构都有各自的特点和优势，适用于不同的应用场景和需求。

2.3. 集中式内存架构

在GPU架构中，集中式内存架构是一种常见的设计。它使用单一的全局内存来存储所有的数据，并由所有的处理单元共享访问。这种架构的一个优点是简单性，因为所有的处理单元都可以直接访问同一块内存，而不需要进行数据的复制或传输。另外，由于所有的处理单元共享内存，可以更容易地实现数据的共享和通信。

然而，集中式内存架构也存在一些限制和挑战。首先，由于所有的处理单元都共享同一块内存，可能会出现内存访问冲突的问题。当多个处理单元同时访问同一块内存时，可能会导致数据的不一致性或竞争条件的发生。为了解决这个问题，需要使用一些同步机制，如锁或原子操作。

另外，由于所有的数据都存储在同一块内存中，可能会导致内存带宽的瓶颈。当多个处理单元同时访问内存时，可能会造成内存访问的竞争，从而限制了整体的性能。为了提高内存带宽的利用率，可以使用一些技术，如数据缓存或数据预取。

综上所述，集中式内存架构是一种常见的GPU架构设计，它具有简单性和易于实现数据共享的优点，但也存在内存访问冲突和内存带宽瓶颈的挑战。在实际应用中，需要根据具体的需求和场景选择合适的内存架构设计。

三、 基于功能特点的分类

3.1. 图形渲染架构

3.1.1. 统一架构（Unified Architecture）

统一架构是一种GPU架构，它的特点是将图形渲染和通用计算功能集成在同一个处理器中。这种架构的优势在于可以同时处理图形渲染和通用计算任务，提高了GPU的灵活性和效率。在统一架构中，处理器的核心可以根据需要在图形渲染和通用计算任务之间动态切换，从而实现更加高效的资源利用。例如，NVIDIA的Turing架构和AMD的RDNA架构都采用了统一架构。

3.1.2. 流水线架构（Pipeline Architecture）

流水线架构是一种传统的GPU架构，它的特点是将图形渲染任务分解为多个阶段，并且每个阶段都由专门的硬件单元来处理。这种架构的优势在于可以充分利用并行处理的能力，提高图形渲染的效率。在流水线架构中，图形渲染任务按照固定的顺序依次经过几个阶段，每个阶段都负责不同的功能，例如顶点处理、光栅化和像素处理等。例如，NVIDIA的Pascal架构和AMD的GCN架构都采用了流水线架构。

3.1.3. 矢量架构（Vector Architecture）

矢量架构是一种特殊的GPU架构，它的特点是将数据并行处理的能力发挥到极致。这种架构的核心是矢量处理器，它可以同时处理多个数据元素，从而提高了GPU的计算效率。在矢量架构中，数据被划分为多个向量，每个向量都可以并行地进行计算操作。例如，NVIDIA的Volta架构和AMD的Vega架构都采用了矢量架构。

3.1.4. 网格架构（Grid Architecture）

网格架构是一种新兴的GPU架构，它的特点是将图形渲染和通用计算任务分别分配给不同的处理器。这种架构的优势在于可以更好地平衡图形渲染和通用计算任务的负载，提高了GPU的整体性能。在网格架构中，图形渲染任务由图形处理器（Graphics Processing Unit，GPU）来处理，而通用计算任务则由计算处理器（Compute Processing Unit，CPU）来处理。例如，NVIDIA的Maxwell架构和AMD的GFX架构都采用了网格架构。

3.2. 通用计算架构

3.2.1. SIMD架构

在GPU架构中，SIMD（Single Instruction, Multiple Data）是一种常见的通用计算架构。SIMD架构通过将多个数据元素打包成一个向量，然后在单个指令中对这个向量进行并行处理，从而实现高效的并行计算。每个线程束（Thread Warp）中的线程将执行相同的指令，但对不同的数据进行操作。SIMD架构适用于大规模的数据并行计算，例如图形渲染、图像处理和科学计算等领域。

3.2.2. SIMT架构

SIMT（Single Instruction, Multiple Threads）是一种类似于SIMD的架构，但在SIMT架构中，每个线程可以执行不同的指令。SIMT架构将多个线程组织成线程块（Thread Block），每个线程块中的线程可以协同工作，执行不同的指令，从而实现更加灵活的并行计算。SIMT架构适用于一些需要动态调度和数据依赖的计算任务，例如深度学习、物理模拟和数据库查询等领域。

3.2.3. MIMD架构

MIMD（Multiple Instruction, Multiple Data）是一种更加灵活的通用计算架构。在MIMD架构中，每个线程可以独立执行不同的指令，操作不同的数据。MIMD架构适用于一些需要更高程度的并行度和灵活性的计算任务，例如分布式计算、并行算法和大规模数据处理等领域。

3.2.4. 数据并行与任务并行

在GPU架构中，还可以根据并行粒度的不同进行分类，主要包括数据并行和任务并行。数据并行是指将不同的数据分配给不同的线程进行并行计算，例如在图像处理中，每个线程负责处理图像中的一个像素。任务并行是指将不同的任务分配给不同的线程进行并行计算，例如在分布式计算中，每个线程负责处理一个独立的计算任务。

3.3. 混合架构

3.3.1. 混合架构

混合架构是一种将多种不同类型的处理器或架构组合在一起的设计。它的目的是充分利用各种处理器的优势，以提高系统的性能和效率。在GPU架构中，混合架构通常是指将传统的图形处理单元（Graphics Processing Unit，GPU）与通用处理器（General Purpose Processor，GPP）或其他专用处理器结合在一起的设计。

混合架构的优势在于它可以同时处理图形和通用计算任务。传统的GPU主要用于图形渲染和处理，而通用处理器则更适合执行通用计算任务。通过将这两种处理器结合在一起，混合架构可以在同一时间处理图形和通用计算任务，从而提高系统的整体性能。

一个常见的混合架构是将GPU与CPU结合在一起。在这种架构中，GPU负责处理图形任务，如渲染和绘制，而CPU则负责执行通用计算任务，如物理模拟和人工智能算法。通过充分利用GPU和CPU的优势，混合架构可以在游戏开发、科学计算和人工智能等领域提供更高的性能和效率。

除了GPU和CPU之外，混合架构还可以包括其他专用处理器，如数字信号处理器（Digital Signal Processor，DSP）或神经网络处理器（Neural Network Processor，NNP）。这些专用处理器可以进一步提高系统的性能和效率，同时满足不同类型的计算需求。

总之，混合架构是一种将多种不同类型的处理器或架构组合在一起的设计，可以充分利用各种处理器的优势，提高系统的性能和效率。在GPU架构中，混合架构通常是指将GPU与CPU或其他专用处理器结合在一起，以同时处理图形和通用计算任务。