Tôi muốn nghe ý kiến ​​từ những người có kinh nghiệm viết mã cho cả hai. Bản thân tôi, tôi chỉ có kinh nghiệm với NVIDIA.

NVIDIA CUDA dường như phổ biến hơn rất nhiều so với đối thủ. (Chỉ tính các thẻ câu hỏi trên diễn đàn này, 'cuda' vượt trội hơn 'opencl' 3: 1 và 'nvidia' tốt hơn 'ati' 15: 1 và không có thẻ nào cho 'ati-stream' cả).

Mặt khác, theo Wikipedia, thẻ ATI / AMD nên có nhiều tiềm năng hơn, đặc biệt là trên mỗi đô la. Card NVIDIA nhanh nhất trên thị trường hiện nay, GeForce 580 ($ 500), được đánh giá là 1,6 TFlops chính xác đơn. AMD Radeon 6970 có thể được bán với giá $ 370 và nó được đánh giá ở mức 2,7 TFlops. 580 có 512 đơn vị thực thi ở 772 MHz. 6970 có 1536 đơn vị thực thi ở 880 MHz.

Lợi thế về giấy của AMD so với NVIDIA thực tế đến mức nào và nó có khả năng được hiện thực hóa trong hầu hết các tác vụ GPGPU không? Điều gì xảy ra với các tác vụ số nguyên?

Nói một cách ẩn dụ, ati có một công cụ tốt so với nvidia. Nhưng nvidia có xe xịn hơn: D

Điều này chủ yếu là do nvidia đã đầu tư rất nhiều nguồn lực của mình (bằng tiền và con người) để phát triển các thư viện quan trọng cần thiết cho máy tính khoa học (BLAS, FFT), và sau đó là một công việc tốt trong việc quảng bá nó. Đây có thể là lý do CUDA thống trị các thẻ ở đây so với ati (hoặc OpenCL)

Đối với lợi thế được thực hiện trong các tác vụ GPGPU nói chung, nó sẽ phụ thuộc vào các vấn đề khác (tùy thuộc vào ứng dụng) như băng thông truyền bộ nhớ, trình biên dịch tốt và có thể là cả trình điều khiển. nvidia có trình biên dịch hoàn thiện hơn, trình điều khiển ổn định hơn trên linux (vì linux, việc sử dụng nó phổ biến trong máy tính khoa học), nghiêng cán cân có lợi cho CUDA (ít nhất là hiện tại).

CHỈNH SỬA Ngày 12 tháng 1 năm 2013

Đã hai năm kể từ khi tôi thực hiện bài đăng này và đôi khi nó vẫn thu hút được lượt xem. Vì vậy, tôi đã quyết định làm rõ một số điều

• AMD đã tăng cường trò chơi của họ. Bây giờ họ có cả thư viện BLAS và FFT. Nhiều thư viện của bên thứ ba cũng đang cắt xén xung quanh OpenCL.
• Intel đã đưa Xeon Phi vào ứng dụng hỗ trợ cả OpenMP và OpenCL. Nó cũng có khả năng sử dụng mã x86 hiện có. như đã lưu ý trong các nhận xét, x86 hạn chế không có SSE hiện tại
• NVIDIA và CUDA vẫn có lợi thế trong phạm vi thư viện có sẵn. Tuy nhiên, họ có thể không tập trung vào OpenCL nhiều như trước đây.

Trong ngắn hạn OpenCL đã thu hẹp khoảng cách trong hai năm qua. Có những người chơi mới trong lĩnh vực này. Nhưng CUDA vẫn đi trước một chút.

Tôi không có bất kỳ cảm giác mạnh mẽ nào về CUDA so với OpenCL; có lẽ OpenCL là tương lai dài hạn, chỉ vì không phải là một tiêu chuẩn mở.

Nhưng thẻ NVIDIA vs ATI hiện tại cho GPGPU (không phải hiệu suất đồ họa, mà là GPGPU), mà tôi thực sự có ý kiến ​​mạnh mẽ. Và để dẫn đến điều đó, tôi sẽ chỉ ra rằng trong danh sách Top 500 cụm lớn hiện tại , NVIDIA dẫn đầu hệ thống AMD 4 lên 1 và trên gpgpu.org , kết quả tìm kiếm (giấy tờ, liên kết đến tài nguyên trực tuyến, v.v.) cho NVIDIA nhiều hơn kết quả cho AMD 6: 1.

Một phần rất lớn của sự khác biệt này là lượng thông tin trực tuyến có sẵn. Kiểm tra Vùng CUDA của NVIDIA so với Trung tâm dành cho nhà phát triển GPGPU của AMD . Số lượng nội dung ở đó cho các nhà phát triển bắt đầu thậm chí còn không gần so sánh được. Trên trang web của NVIDIA, bạn sẽ tìm thấy rất nhiều bài báo - và mã đóng góp - từ những người có thể đang giải quyết các vấn đề giống như của bạn. Bạn sẽ tìm thấy rất nhiều lớp học trực tuyến, từ NVIDIA và các nơi khác, và các tài liệu rất hữu ích như hướng dẫn thực hành tốt nhất của nhà phát triển, v.v. Sự sẵn có của các công cụ phát triển miễn phí - trình biên dịch, cuda-gdb, v.v. - nghiêng hẳn về NVIDIA.

(Người biên tập: thông tin trong đoạn này không còn chính xác nữa.) Và một số khác biệt cũng là phần cứng. Các thẻ AMD có thông số kỹ thuật tốt hơn về số lần thất bại cao nhất, nhưng để có thể đạt được một phần đáng kể trong số đó, bạn không chỉ phải giải quyết vấn đề của mình trên nhiều bộ xử lý dòng hoàn toàn độc lập mà mỗi hạng mục công việc cũng cần được vector hóa. Cho rằng GPGPUing một mã là đủ khó, sự phức tạp về kiến ​​trúc thêm đó là đủ để thực hiện hoặc phá vỡ một số dự án.

Và kết quả của tất cả những điều này là cộng đồng người dùng NVIDIA tiếp tục phát triển. Trong số ba hoặc bốn nhóm mà tôi biết đang nghĩ đến việc xây dựng các cụm GPU, không ai trong số họ đang xem xét nghiêm túc đến thẻ AMD. Và điều đó có nghĩa là vẫn có nhiều nhóm viết bài, đóng góp mã, v.v. về phía NVIDIA.

Tôi không phải là người của NVIDIA; Tôi ước nó không phải theo cách này và có hai (hoặc nhiều hơn!) Nền tảng GPGPU hấp dẫn như nhau. Cạnh tranh là tốt. Có thể AMD sẽ sớm đẩy mạnh trò chơi của mình - và các sản phẩm hợp nhất sắp tới trông rất hấp dẫn. Nhưng khi đưa ra lời khuyên cho ai đó về việc nên mua thẻ nào ngày hôm nay và nơi dành thời gian để họ nỗ lực ngay bây giờ, tôi không thể nói rằng cả hai môi trường phát triển đều tốt như nhau.

Đã chỉnh sửa để thêm : Tôi đoán phần trên hơi kỳ quái về cách trả lời câu hỏi ban đầu, vì vậy hãy để tôi làm rõ hơn một chút. Hiệu suất bạn có thể nhận được từ một phần cứng, trong một thế giới lý tưởng với thời gian có sẵn vô hạn, chỉ phụ thuộc vào phần cứng cơ bản và khả năng của ngôn ngữ lập trình; nhưng trên thực tế, mức hiệu suất bạn có thể nhận được trong một khoảng thời gian cố định đã đầu tư cũng phụ thuộc nhiều vào các công cụ phát triển, cơ sở mã cộng đồng hiện có (ví dụ: thư viện có sẵn công khai, v.v.). Những cân nhắc đó đều hướng đến NVIDIA.

(Biên tập viên: thông tin trong đoạn này không còn chính xác nữa.) Về phần cứng, yêu cầu vectơ hóa trong các đơn vị SIMD trong thẻ AMD cũng khiến việc đạt được hiệu suất giấy thậm chí còn khó hơn so với phần cứng NVIDIA.

Sự khác biệt chính giữa kiến ​​trúc của AMD và NVIDIA là AMD được tối ưu hóa cho các vấn đề trong đó hành vi của thuật toán có thể được xác định tại thời điểm biên dịch trong khi NVIDIA được tối ưu hóa cho các vấn đề trong đó hành vi của thuật toán chỉ có thể được xác định tại thời điểm chạy.

AMD có một kiến ​​trúc tương đối đơn giản cho phép họ sử dụng nhiều bóng bán dẫn hơn trên ALU. Miễn là vấn đề có thể được xác định đầy đủ tại thời điểm biên dịch và được ánh xạ thành công tới kiến ​​trúc theo cách hơi tĩnh hoặc tuyến tính, thì có khả năng AMD sẽ chạy thuật toán nhanh hơn NVIDIA.

Mặt khác, trình biên dịch của NVIDIA thực hiện ít phân tích hơn tại thời điểm biên dịch. Thay vào đó, NVIDIA có một kiến ​​trúc tiên tiến hơn, nơi họ đã sử dụng nhiều bóng bán dẫn hơn cho logic có khả năng xử lý hành vi động của thuật toán chỉ xuất hiện tại thời điểm chạy.

Tôi tin rằng thực tế là hầu hết các siêu máy tính sử dụng GPU đi kèm với NVIDIA là loại vấn đề mà các nhà khoa học quan tâm khi chạy các tính toán, nói chung là bản đồ tốt hơn cho kiến ​​trúc của NVIDIA so với của AMD.

Tôi đã thực hiện một số mã hóa lặp đi lặp lại trong OpenCL. Và kết quả của việc chạy nó trong NVIDIA và ATI, khá giống nhau. Gần cùng tốc độ trong các thẻ cùng giá trị ($).

Trong cả hai trường hợp, tốc độ đều ~ 10x-30x so với CPU.

Tôi đã không kiểm tra CUDA, nhưng tôi nghi ngờ nó có thể giải quyết các vấn đề tìm nạp bộ nhớ ngẫu nhiên của tôi một cách kỳ diệu. Ngày nay, CUDA và OpenCL ít nhiều giống nhau, và tôi thấy tương lai trên OpenCL nhiều hơn CUDA. Lý do chính là Intel đang tung ra trình điều khiển với OpenCL cho bộ vi xử lý của họ. Đây sẽ là một bước tiến vượt bậc trong tương lai (chạy 16, 32 hoặc 64 luồng OpenCL trong CPU THỰC SỰ rất nhanh và thực sự dễ dàng chuyển sang GPU).

Đã dành một thời gian với OpenCL cho thẻ GCN sau một vài năm sử dụng CUDA cho Fermi và Kepler, tôi vẫn thích CUDA làm ngôn ngữ lập trình và sẽ chọn phần cứng AMD với CUDA nếu tôi có tùy chọn.

Sự khác biệt chính của NVIDIA và AMD (OpenCL):

Đối với AMD:

• Ngay cả với Maxwell, NVidia vẫn có độ trễ lệnh lâu hơn và các thuật toán phức tạp có thể nhanh hơn 10 lần trên AMD (giả sử Tflops lý thuyết giống nhau) sau khi tối ưu hóa dễ dàng cho cả hai. Khoảng cách lên đến 60% đối với Kepler VS GCN. Thật khó để tối ưu hóa các nhân phức tạp cho NVidia theo nghĩa này.

• Thẻ giá rẻ.

• OpenCL là tiêu chuẩn mở với các nhà cung cấp khác có sẵn.

Đối với Nvidia:

• Có dòng phần cứng Tesla phù hợp với tải máy chủ cao đáng tin cậy.

• Maxwell mới tiết kiệm điện hơn.

• Trình biên dịch và các công cụ ngày càng tiên tiến hơn. AMD vẫn không thể triển khai maxregcouttham số, vì vậy bạn có thể dễ dàng kiểm soát việc sử dụng trên các phần cứng khác nhau và trình biên dịch của họ có rất nhiều ý tưởng ngẫu nhiên về mã tối ưu thay đổi theo mọi phiên bản, vì vậy bạn có thể cần phải truy cập lại mã cũ sau mỗi nửa. một năm vì nó đột ngột trở nên chậm hơn 40%.

Tại thời điểm này nếu GPGPU là mục tiêu của bạn, CUDA là sự lựa chọn duy nhất, vì opencL với AMD chưa sẵn sàng cho máy chủ và khó hơn đáng kể để viết mã hiệu quả cho AMD do trình biên dịch dường như luôn ở "phiên bản beta" .

Tôi mới đến GPGPU nhưng tôi đã có một số kinh nghiệm trong lĩnh vực máy tính khoa học (Tiến sĩ Vật lý). Tôi đang tập hợp một nhóm nghiên cứu và tôi muốn sử dụng GPGPU cho các tính toán của mình. Tôi đã phải chọn giữa các nền tảng có sẵn. Tôi quyết định chọn Nvidia, vì một vài lý do: trong khi ATI có thể nhanh hơn trên giấy, Nvidia có một nền tảng trưởng thành hơn và nhiều tài liệu hơn nên sẽ có thể tiến gần hơn đến hiệu suất cao nhất trên nền tảng này.

Nvidia cũng có một chương trình hỗ trợ nghiên cứu học thuật, bạn có thể đăng ký để được hỗ trợ, tôi vừa nhận được thẻ TESLA 2075 và tôi rất vui. Tôi không biết ATI hay Intel có hỗ trợ nghiên cứu theo cách này không.

Những gì tôi đã nghe về OpenCL là nó đang cố gắng trở thành mọi thứ cùng một lúc, đúng là mã OpenCL của bạn sẽ dễ di động hơn nhưng nó cũng có khả năng không khai thác hết khả năng của cả hai nền tảng. Tôi muốn học thêm một chút và viết các chương trình sử dụng tài nguyên tốt hơn. Với TESLA K10 vừa ra mắt trong năm nay Nvidia đang ở trong phạm vi 4,5 TeraFlops, vì vậy không rõ ràng rằng Nvidia đứng sau ... tuy nhiên Intel MICs có thể chứng minh là một đối thủ cạnh tranh thực sự, đặc biệt nếu họ thành công trong việc chuyển đơn vị GPGPU sang bo mạch chủ. Nhưng hiện tại, tôi đã chọn Nvidia.

Kinh nghiệm của tôi khi đánh giá hiệu suất dấu chấm động OpenCL có xu hướng ưu tiên thẻ NVIDIA. Tôi đã làm việc với một số điểm chuẩn dấu phẩy động trên các thẻ NVIDIA, từ 8600M GT đến GTX 460. Các thẻ NVIDIA luôn đạt được khoảng một nửa đỉnh đơn tiền tử lý thuyết trên các điểm chuẩn này.
Các thẻ ATI mà tôi đã làm việc hiếm khi đạt được tốt hơn một phần ba đỉnh của độ chính xác đơn. Lưu ý rằng kinh nghiệm của tôi với ATI bị sai lệch; Tôi chỉ có thể làm việc với một thẻ dòng 5000. Kinh nghiệm của tôi chủ yếu là với các thẻ HD 4000 series, chưa bao giờ được hỗ trợ tốt. Hỗ trợ cho các thẻ HD 5000 series tốt hơn nhiều.

Tôi muốn thêm vào cuộc tranh luận. Đối với chúng tôi trong lĩnh vực kinh doanh phần mềm, chúng tôi có thể thỏa hiệp hiệu suất chính xác đơn thô thành năng suất nhưng ngay cả khi tôi không phải thỏa hiệp vì, như đã chỉ ra, bạn không thể đạt được nhiều hiệu suất trên phần cứng của ATI bằng OpenCL như bạn có thể đạt được nếu bạn viết bằng CUDA trên phần cứng của NVIDIA.

Và vâng, với thông báo của PGI về trình biên dịch x86 cho CUDA, sẽ không có bất kỳ lý do chính đáng nào để dành nhiều thời gian và tài nguyên hơn để viết trong OpenCL :)

Tái bút: Lập luận của tôi có thể bị sai lệch vì chúng tôi thực hiện hầu hết các công việc GPGPU của mình trên CUDA. Chúng tôi có thư viện Xử lý hình ảnh / Thị giác máy tính CUVI (CUDA cho Thị giác và Hình ảnh) giúp tăng tốc một số chức năng IP / CV cốt lõi trên CUDA.

Cuda chắc chắn phổ biến hơn OpenCL cho đến ngày nay, vì nó được phát hành trước OpenCL 3 hoặc 4 năm. Kể từ khi OpenCL được phát hành, Nvidia đã không đóng góp nhiều cho ngôn ngữ vì họ tập trung nhiều vào CUDA. Họ thậm chí còn chưa phát hành phiên bản openCL 1.2 cho bất kỳ trình điều khiển nào.

Đối với tính toán không đồng nhất cũng như các thiết bị cầm tay, OpenCl chắc chắn sẽ trở nên phổ biến hơn trong tương lai gần. Tính đến thời điểm hiện tại người đóng góp lớn nhất cho OpenCL là AMD, Nó được hiển thị trên trang của họ.

theo kinh nghiệm của tôi:

• nếu bạn muốn có hiệu suất tuyệt đối tốt nhất thì bạn cần xem ai đang sử dụng phiên bản phần cứng mới nhất và sử dụng ngăn xếp của họ (bao gồm cả các bản phát hành mới nhất / beta).

• nếu bạn muốn có hiệu suất tốt nhất với số tiền bỏ ra, bạn sẽ nhắm đến thẻ game thủ hơn là thẻ "chuyên nghiệp" và sự linh hoạt của việc nhắm mục tiêu các nền tảng khác nhau ủng hộ opencl.

• đặc biệt là nếu bạn mới bắt đầu, cuda có xu hướng bóng bẩy hơn và có nhiều công cụ và thư viện hơn.

cuối cùng, ý kiến ​​cá nhân của tôi, sau khi "hỗ trợ" kinh hoàng từ nvidia (chúng tôi đã nhận được một tesla đã chết và nó không được thay đổi trong nhiều tháng, trong khi khách hàng đang chờ đợi): tính linh hoạt để nhảy tàu với opencl đáng giá với rủi ro hiệu suất thấp hơn một chút khi nvidia đi trước trong chu kỳ phát hành.