CPU（中央处理单元）与 GPU（图形处理单元）一起工作以增加应用程序内的数据吞吐量和并发计算的数量。GPU 最初设计用于为计算机图形和视频游戏机创建图像，但自 2010 年初以来，GPU 还可用于加速涉及大量数据的计算。
CPU 永远无法完全被 GPU 取代：GPU 通过允许应用程序内的重复计算并行运行，而主程序继续在 CPU 上运行，从而补充了 CPU 架构。CPU 可以被认为是整个系统的任务主管，协调广泛的通用计算任务，而 GPU 执行范围更窄的更专业的任务（通常是数学任务）。与 CPU 相比，GPU 可以利用并行性的力量在相同的时间内完成更多的工作。
CPU和GPU之间的区别
CPU 和 GPU 架构之间的主要区别在于，CPU 旨在快速处理各种任务（以 CPU 时钟速度衡量），但在可以运行的任务的并发性方面受到限制。GPU 旨在同时快速渲染高分辨率图像和视频。
由于 GPU 可以对多组数据执行并行操作，因此它们也常用于机器学习和科学计算等非图形任务。GPU 设计有数千个同时运行的处理器内核，可实现大规模并行性，其中每个内核都专注于进行高效计算。
CPU 与 GPU 处理
由于大规模并行性，GPU 处理数据的速度比 CPU 快几个数量级，但 GPU 不如 CPU 通用。CPU 具有庞大而广泛的指令集，可以管理计算机的每个输入和输出，这是 GPU 无法做到的。在服务器环境中，可能有 24 到 48 个非常快的 CPU 内核。向同一台服务器添加 4 到 8 个 GPU 可以提供多达 40,000 个额外的内核。虽然单个 CPU 内核比单个 GPU 内核更快（根据 CPU 时钟速度衡量）和更智能（根据可用指令集衡量），但 GPU 内核的绝对数量和它们提供的大量并行性不仅仅是构成单个-核心时钟速度差异和有限的指令集。
GPU 最适合重复性和高度并行的计算任务。除了视频渲染，GPU 在机器学习、金融模拟和风险建模以及许多其他类型的科学计算方面表现出色。虽然在过去几年中，GPU 被用于挖掘比特币或以太坊等加密货币，但 GPU 通常不再大规模使用，让位于现场可编程网格阵列 (FPGA) 等专用硬件，然后是专用集成电路 (ASIC) .
CPU 到 GPU 计算的示例
CPU 和 GPU 渲染视频— 显卡帮助将视频从一种图形格式转码为另一种图形格式，速度比依赖 CPU 快。
加速数据——GPU 具有先进的计算能力，可以加速 CPU 在给定时间内可以处理的数据量。当有专门的程序需要复杂的数学计算时，例如深度学习或机器学习，这些计算可以由 GPU 卸载。这为 CPU 腾出时间和资源以更有效地完成其他任务。
加密货币挖掘——获得像比特币这样的虚拟货币包括使用计算机作为处理交易的中继。虽然 CPU 可以处理这项任务，但显卡上的 GPU 可以帮助计算机更快地生成货币。
