图形处理器（英语：GraphicsProcessingUnit，简写：GPU），又称表明核心、视觉处理器、表明芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。用途是将计算机系统所必须的显示信息展开切换驱动，并向显示器获取行扫瞄信号，掌控显示器的准确表明，是相连显示器和个人电脑主板的最重要元件，也是“人机对话”的最重要设备之一。显示卡作为电脑主机里的一个最重要组成部分，分担输入表明图形的任务，对于专门从事专业图形设计的人来说显示卡十分最重要。GPU是为了需要更加慢处置图像而问世在九十年代，一批工程师意识到：在屏幕上展开多边形图像图形，本质上是个能并行处理的任务--每个像素点的色彩可以独立国家计算出来，不必须考虑到其它像素点。

于是GPU问世，沦为比CPU更加高效的图形工具。简而言之，由于CPU在图像图形方面的能力严重不足，GPU被发明者出来承担这部分工作，此后就出了专门做这方面的硬件。

有了上千个更为非常简单的核心，GPU能高效地处置让CPU十分吃力的任务。只要有适合的代码因应，这些核心就能处置超大规模的数学运算，构建细致的游戏体验。GPU作为显示卡的“大脑”要求了该显示卡的档次和大部分性能，同时GPU也是2D显示卡和3D显示卡的区别依据。2D表明芯片在处置3D图像与特效时主要倚赖CPU的处置能力，称作硬加快。

3D表明芯片是把三维图像和特效处置功能集中于在表明芯片内，也就是所谓的“硬件加速”功能。表明芯片一般是显示卡上仅次于的芯片。时下市场上的显示卡大多使用NVIDIA和AMD-ATI两家公司的图形处理芯片。

NVIDIA公司在1999年公布GeForce256图形处理芯片时首先明确提出GPU的概念。从此NV显示卡的芯就用这个新的名字GPU来称谓。GPU使显示卡缩减了对CPU的倚赖，并实施部分原本CPU的工作，更为是在3D图形处理时。

GPU能将3D模型的信息切换为2D回应，同时加到有所不同的纹理和阴影效果，所以GPU在硬件里也是较为类似的不存在。从3D建模到最后表明在屏幕上，GPU图形场景用于的是流水线操作者。早些时候流水线操作者是相同无法不作任何改动的，整个操作者由加载三角形的顶点数据开始，接着GPU处置完了后转入帧缓冲区（framebuffer），打算发送给显示器。

GPU也能对场景展开某些特定效果的处置，不过这些都是由工程师设计相同好的，能获取的选项很少。GPU设计之初非针对深度自学而是并行计算GPU关键性能是并行计算。这意味著可以同时处置运算，而不是一步步展开。

简单问题可被分解成为更加非常简单的问题，然后同时展开处置。并行计算限于于HPC和超算领域所牵涉到的许多问题类型，比如气象、宇宙模型和DNA序列。

并不是只有天体物理学家和气象学家才能充分利用并行计算的优点。事实证明，许多企业应用能从并行计算取得远超过奇怪比例的益处。这还包括：数据库查找、密码学领域的暴力搜寻、对比有所不同独立国家场景的计算机仿真、机器学习/深度自学、地理可视化在GPU设计之初，并非针对深度自学，而是图形加快，在NVIDIA发售CUDA架构之前，GPU并无太强对深度自学运算能力的反对。

而如今，NVIDIA可以获取基于其GPU的从后末端模型训练到前端推理小说应用于的全套深度自学解决方案，一般的开发人员都可以非常容易地上手用于GPU展开深度自学研发，或者高性能运算。而CUDA架构的研发，花费了NVIDIA极大的人力物力。可以说道，是CUDA这个中间层（computingframework）的优化，才使得开发者确实爱上了GPU，NVIDIA败在软件。而CUDA还无法称作算法，它只是计算出来硬件与算法之间的桥梁。

目前来看，NVIDIA作为人工智能计算出来平台的领导者，但事实是，一开始并非NVIDIA自由选择了人工智能，而是人工智能的研究者自由选择了GPU，进而成就了NVIDIA。

本文来源：千亿官网平台-www.dollarsandpups.com