排了一下午的队，终于轮到我了。

1 典型场景

场景1：

年底有大堆账目需要报销处理，小罗罗的报销流程是这样的：

• 个人统计账单发票，在财务系统中预约

• 找上一级部门A领导审核签字画押

• （重要账目选择项）找上上一级部门B领导审核签字画押

• 找财务部门C审核签字

• 财务部门走流程，中间有任何问题都回到流程起点找小罗罗

存在的问题：

• 个人没整利索，A不签字

• A不签字，B不签字

• B不签字，C拒收

这是典型的事务串行处理流程。

场景2：

部门要举行年终庆典，繁琐的准备工作落到了部门头头A的头上。A领到任务一看，自觉一个人三个月也完不成这事儿，好在A手下有人手众多，因此A将任务分解：

• B负责联系场地

• C负责联系参会人员

• D负责采购纪念品

• E负责策划庆典

• A负责回家听消息

整个过程相对顺利，A只是协调了一下B和E之间的意见冲突而已。

这是典型的事务并行处理流程。

2 特点

串行计算：

• 将大任务分解成多道工序，前面的工序没完成，后面所有工作都得老老实实等着。

• 实施起来简单，不需要额外的进行规划，按事务正常的完成路径走即可

• 每一道工序都有明确的输入和输出

• 工序之间无法交流沟通，容易走偏，只能通过严格检查每一道工序的输入输出来保证质量

• 下一道工序负责审核上一道工序的结果

• 安全程度高，事情还没开干，就已经知道最终的结果会怎样

• 效率低，如果中间某道工序非常耗时，那整个工期都会延长

并行计算：

• 将大任务分解成多个小任务，确保小任务之间耦合度最低

• 每个小任务都有自己的输入和输出

• 所有小任务同时开工

• 通常需要选择一名队长，负责小任务计算结果的收集及信息交流

• 小任务之间存在交流与沟通，通常不太容易走岔路

• 安全程度低，在事情没完成之前，你不知道最终的结果会偏离预期多远

• 效率高，不仅计算会消耗计算资源，任务间的沟通交流同样需要消耗计算资源

3 CPU与GPU

近年来GPU加速计算很火热，尤其在数据处理、人工质量等领域，仿佛没有GPU就没法开展工作一样。GPU在显卡中，在以前GPU主要负责图形处理和图形输出，不过近年来GPU并行处理算法不断成熟，很多的CAE软件中也都加入了GPU加速功能。

CPU的内核数量比较少，我们常见的单颗CPU通常为4核、6核、8核、16核，再土豪也不过数十核心。而GPU不同，像普通的台式机显卡GTX1060都拥有GPU核心1280个。

CPU内核数量比较少，擅长一些逻辑运算，有高速缓存，可以提高数据访问的速度。GPU接受来自CPU的指令，有大量的内核，而且是并行计算的，能够完成大规模的数值运算。

虽然CPU的内核少，但每个内核的性能要远强于GPU的内核。前者每个内核都是精英，后者采用的是人海战术，三个臭皮匠顶个诸葛亮。

CPU和GPU有着不同的分工，无法相互替代。CPU更擅长分支预测，而GPU擅长大量数据运算。

NVDIA的官网中，有个很形象的视频来对比CPU和GPU的区别，非常有趣，也很经典。

本篇文章来源于微信公众号: CFD之道