CPU 与 GPU 的区别及 GPU 为何适合深度学习
哪些公司问过
滴滴1砺算科技1
答案要点
- CPU 少量强核,依靠分支预测、乱序执行与大缓存优化单线程延迟
- GPU 大量简单核心,以 SIMT 成组执行,靠线程切换掩盖访存延迟,追求吞吐
- 深度学习核心是矩阵乘和卷积,大量独立乘加,属于典型数据并行
- GPU 有高带宽显存和 Tensor Core 等矩阵单元,低精度矩阵运算吞吐远超 CPU
- 分支发散、数据量小以及主机与显存间拷贝会削弱 GPU 优势
易错点
- 把 GPU 快理解为主频高,实际 GPU 单核频率和单线程能力都弱于 CPU
- 忽略数据拷贝开销,小任务搬到 GPU 反而更慢
- 认为 GPU 适合所有计算,分支复杂、串行依赖强的任务仍适合 CPU
面试官常见追问
- 什么是 warp 分支发散?
- 为什么深度学习常用 FP16/BF16?
- 图形渲染为什么也适合 GPU?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。