NVIDIA Tesla K10 及 K20 技術規格詳解
在GTC 2012大會上，NVIDIA老總黃仁勛公布了新一代Tesla加速卡的詳情，不過此次發布的Tesla顯卡算是雙胞胎，一款是基于雙芯GK104架構的Tesla K10，另外一款則使用了真正的新架構，基于GK110核心的Tesla K20。

K10和K20的特性有所不同，重點也不一樣



    首先來看K10，它的物理外觀與GTX 690顯卡沒什么區別，但是NVIDIA公布的幾項參數耐人尋味， 單精度浮點能力為4.58TFLOPS，帶寬為320GB/s ，作為對比的是GTX 680單精度運算能力3.09TFLOPS，192GB/s帶寬，而GTX 690也有5.62TFLOPS，384GB/s帶寬，上一代Fermi核心浮點運算能力為1.58TFLOPS，帶寬192GB/s。

    從參數上看，K10達到了NVIDIA所說的三倍于Fermi家族的單精度浮點能力，但是比GTX 680只提高了50%，帶寬也只高了了67%左右，明顯不如GTX 690顯卡。

    由于是同樣的架構，Tesla K10很明顯在核心和顯存頻率上做了妥協，由于GK104架構的能效比很高，而HPC領域對功耗、發熱也不甚敏感，不知NVIDIA為何將K10的規格定的比GTX 690還低。

    現場的圖片沒有公布K10的顯存容量和TDP信息，但是GeForce GRID頁面出現的K520顯卡規格與K10一致，而顯存容量是8GB，TDP是250W，二者其實都是雙芯GK104顯卡，因此Tesla K10也是8GB顯存，250W TDP 。 （這個功耗低于GTX 690的300W，或許是規格降低一可能的解釋了）

    Tesla K10現在就可以出貨，但是它并不是重點， 個人覺得它只是個過渡產品，扮演救火隊員的角色 ，因為GK104先天孱弱的雙精度運算能力注定了它不可能在HPC市場有多高的成就，NVIDIA之所以推GTX 690上陣是因為GK110架構來的比預期的還要晚。

    GK110是NVIDIA針對高性能GPU計算市場開發的架構， 之**直傳聞到今年8月份就會發布，但是NVIDIA給出的日期是今年*四季度 ，不論是28nm產能還是芯片自身的問題，這大半年的空白期總需要有人先**上，這就是K10的使命了。

Tesla K20與GK110架構

    NVIDIA對K20的描述是“3倍雙精度浮點性能”，并有Hyper-Q、Dynamic Parallelism等多種并行計算技術加持，這些是現有的GK104架構不具備的。 

NVIDIA的PDF資料中介紹了GK110的SMX架構，也是192個CUDA核心


    必須要承認，以前泄露的有關GK110架構的消息是錯誤的，GK110的SMX架構其實跟GK104還是一樣的，都是192個CUDA核心，32組SFU單元以及32個LD/ST單元。

GK110架構圖


    除去其他的功能單元之外，GK110核心總共有15組SMX單元，2880個CUDA核心， 但是Heise聲稱并非所有單元都是啟用的，實際上可能只有13-14組SMX單元，實際CUDA核心是2496或者2688個。

    顯存位寬是384bit，已為黃仁勛和NVIDIA CTO確認 。 由于CUDA核心數已經低于之前的報導，顯存位寬降到384bit也是很自然的事，如果保持GK104的6Gbps顯存速率，那么GK110的帶寬將達到288GB/s，終于**過AMD GCN架構的260GB /s了。

    NVIDIA給出的3倍雙精度浮點性能不知是跟GF110顯卡還是跟GF110核心的Tesla加速卡做的比較，GF110的單精度浮點能力為1.58TFLOPS，顯卡中的雙精度為單精度的1/ 4，也就是0.4TFLOPS，但是GF110核心的Tesla卡雙精度能力可達單精度1/2，大約是0.8TFLOPS。

    如此一來，如果以顯卡為基礎，GK110的雙精度浮點性能大約是1.2TFLOPS以上，如果是Tesla卡的3倍，那就是2.4TFLOPS以上，鑒于后者已經**出之前傳聞的2TFLOPS的能力， GK110的雙精度浮點能力應該是1.2TFLOPS或更高 。 

Tesla K20配置了6pin+8pin供電接口


    核心面積和TDP未知，不過K20配備的是6pin和8pin供電接口，較大TDP不會**過300W。 晶體管數量也是一個70億，準確點說是71億。


◆ GK110并行計算技術介紹

顯卡規格方面的信息基本就是這么多了，再來看一下NVIDIA為GK110所增加的新技術吧。

Dynamic Parallelism（動態并行） 


    GK110架構的首要目標之一就是使程序員更方便地調用GPU強大的并行計算能力 。 傳統的模式下，GPU每次操作都需要CPU的參與，而Dynamic Paralleliom的存在使得GPU接收數據時會動態刷新線程而*CPU參與。 由于內核有了獨立加載工作負載的能力，動態并行技術允許程序直接在GPU上運行。

    這項技術的好處就是可以降低編程的復雜性，原本需要200-300行代碼才能完成的工作在GK110顯卡上只需要30行就可以了。

Hyper-Q 


    上一項技術強調的是簡化操作，是給CPU減負，而Hyper-Q則是增加了CPU同時加載工作的核心數，是在提升=高CPU的利用率，避免CPU過多的閑置。

    Fermi架構中CPU只能同時運行一個MPI（Message Passing Interface消息傳遞接口）任務，但是在GK110架構中CPU同時運行的MPI任務數多達32個。

    傳統的MPI任務主要基于多核CPU應用，與GPU強大的并行計算能力相比，CPU處理的MPI任務量實在是太小了，往往會帶來虛假的GPU依賴性，導致GPU的性能無法有效利用， Hyper-Q大幅提高了CPU可以分配給GPU的MPI任務量，如果同時傳遞32個任務給GPU，那么理論性能會達到Fermi架構的32倍，實際應用中雖然不會這么夸張，但是優化調度之后GPU的并行計算能力還是會有改善。

GPU Direct 


    GPU Direct直連是NVIDIA官方PDF中沒有提到的，不過依然值得解釋一下。 NVIDIA已經推出了基于Kepler架構的GeForce GRID云游戲技術，那么使用Kepler顯卡的服務器就免不了要互相交換數據。 GPU Direct技術可以讓服務器的中不同顯卡直接讀取顯存的數據，甚至不同服務器之間的顯卡也可以通過網卡讀取另一塊顯卡顯存中的數據，簡單來說就是提高了顯卡的數據交換能力，所需的步驟更少，延遲更低。

CUDA 5

    要想使用上面介紹的技術就必須使用新的CUDA 5，GTC大會上NVIDIA已經發布了一個預覽版的CUDA 5 SDK，正式版將在今年三季度發布。

    Kepler顯卡發布之后，Tesla家族也終于迎來架構更新，而且很快就會有更新架構的Tesla加速卡，得益于GK104良好的效能比，NVIDIA的Tesla加速卡也具備了這樣的能力，性能更強的同時功耗更低。

    新一代GK110架構重點針對GPU計算性能做了加強，雙精度浮點能力提升到之前架構的三倍，并有動態并行、Hyper-Q、GPU Direct等技術輔助，無論是易用性還是性能都有明顯改善，擔當起GPU計算的光榮使命了。
NVIDIA CUDA GPU計算軟件
    NVIDIA CUDA技術基于一種全新的用于開拓GPU運算性能的軟件架構，CUDA程序執行時，GPU作為主CPU的協處理器工作，GPU可以處理大量的并行信息，同時CPU組織、解釋、與后臺交流要處理的信息。應用程序的計算密集型部分要被執行很多次，每次由主應用程序提交的不同數據，經過編譯后由GPU并行執行。
 

  CUDA輔助CPU進行通用運算功能的示意圖
    CUDA包含3個主要的組件，可以高效執行并行程序的GEFORCE8 系列GPU；一個可訪問GPU上并行計算資源的編譯器，以及一個計算專用的運行時驅動。

    CUDA的核心部分是專門開發的C編譯器。首開先河的編程環境簡化了并行程序的編碼。C語言對大多數開發人員都十分熟悉的，可以使編程人員專注于開發并行程序而不是處理負責的圖形API。為了簡化開發，CUDA的C編譯器允許程序員將CPU 和 GPU的代碼混合記錄到一個程序文件中。一些簡單代碼被增加到的C程序中，通知CUDA編譯器哪些函數由CPU處理，哪些為GPU編譯。然后程序被CUDA編譯器編譯，而CPU處理的代碼則由開發者的標準C編譯器編。
A9.jpg
 

  CUDA的計算流程
開發人員使用一種全新的編程模式將并行數據映射、安排到GPU中。CUDA程序則把要處理的數據細分成更小的區塊，然后并行的執行它們。這種編程模式允許開發人員只需對GPU編程一次，無論是包含多處理器的GPU產品或是低成本、處理器數量較少的產品。當GPU計算程序運行的時候，開發者只是需要在主CPU上運行程序，CUDA驅動會自動在GPU上載入和執行程序。主機端程序可以通過高速的PCI Express總線與GPU進行信息交互。數據的傳輸、GPU運算功能的啟動以及其它一些CPU 和GPU交互都可以通過調用專門的運行時驅動中的專門操作來完成。這些高級操作把程序員從手動管理GPU運算資源中解放出來。對大規模數據進行解譯與處理的能力處于計算科學的*領域，通過可以廣泛普及CUDA的開發工具，任何程序都可以釋放GPU的計算力量。通過CUDA軟件和Tesla GPUs的結合，開發者現在能夠在桌面平臺進行大規模**級計算，同時也可以戲劇性的增加服務器集群的處理能力。
GPU計算實例研究
    下面的一些實例展示了GPU計算的性能，眾多運算密集型的應用程序執行速度已經可以通過NVIDIA的GPU產品獲得令人矚目的提升。
醫學成像：數字層析 X 射線照相組合
    數字層析X 射線照相組合是一種早期胸部**X射線透視法，可以使癌癥對乳房組織的損害被更早的檢測、發現。在這種應用中，美國馬薩諸塞州綜合醫院就使用了NVIDIA的 GPU產品，通過對X射線透視所獲取的數據進行高強度計算來重建圖像。
    為了更好的顯現**或其它癌變，層析X射線照相使用了視差技術，可以使圖像上相鄰物體間的距離更遠、成像更清晰。電腦的任務就是將病人胸部的X光掃描圖像電子式的排列組合起來。通過使用這種技術，可以消除層疊結構對癌變組織圖像的模糊作用。
A10.jpg
 
 
    層析X 射線照相組合作為一種醫學成像概念問世于上世紀60年代，但是直到90年代，當數字感光器具有足夠的靈敏度之后才得以成為現實。但是，當時的處理器性能還不足以滿足這項任務。**通過層析 X 射線照相獲得的數據進行醫學成像的嘗試中，花費了5個小時才完成對一個病人的掃描，時間太長，無法進入實際應用。使用一個由34臺PC的服務器集群也耗費了20分鐘才完成處理，結果還不錯，但是在醫院的放射實驗室安置服務器集群是不切實際的。
    現在，在使用NVIDIA的GPU產品進行計算后，馬薩諸塞州綜合醫院在圖像重建的過程中獲得了100倍的速度提升，使用一臺PC只用5分鐘就可以完成計算，使醫生很快就可以得到成像圖片并給出診斷結果。
模擬與設計：生物醫學核磁共振成像植入設備
    在醫學領域內，為了**核磁共振成像或是其它一些診療成像設備的安全使用，許多生物醫學植入設備被廣泛使用。在這些植入設備的模擬與設計過程中，需要進行高強度的計算，用傳統的電腦集群將耗費相當多的時間。
A11.jpg
 
 
    著名的美國波士頓科學**有限公司就是一個設計和制造起搏器和其他一些生物醫學植入設備的公司，他們使用了NVIDIA GPU 運算技術加速整個計算過程。通過NVIDIA的 并行 GPU 架構，模擬過程的執行速度提高了25倍。不僅速度方面提高很多，在成本方面也比過去使用CPU集群時大大降低。

 
地球科學: 石油與天然氣勘探
    現在，石油與天然氣的勘探正變得越來越困難。大型的油氣儲藏帶經常處于地表下很深的地方以至于難于勘測。例如較近在墨西哥灣發現的油田就處于海床下20000英尺深的地方。為了解釋地質數據，就必須對獲得與處理大量的地震數據。
   大多數人今天仍然認為GPU是一種用于娛樂消費的技術。但是，休斯敦的Headwave正著手開發新一代計算平臺，以充分利用圖形卡的并行計算潛力了。
A12.jpg
 
 
    Headwave的解決方案也通過NVIDIA 的GPU技術，并使用CUDA SDK來運行。地球物理學者可以更快速的篩選他們的數據，即便這些數據多達幾TB的容量。過去處理這些多達幾TB的數據需要數月的計算時間，而使用NVIDIA GPU 計算技術后，計算速度比過去提高了20倍。所以說，沒有NVIDIA 的GPU 計算技術，即時演算這些數據是不可能的，石油與天然氣公司將成為這項新技術的直接受益者。
計算生物學：分子動力學模擬
    在分子動力學模擬領域內，模擬復雜的分子系統需要要耗費大量的時間，并使用復雜的計算機集群。位于Urbana-Champaign的美國伊利諾伊大學的研究人員就使用了NVIDIA的 GPU 產品用于計算生物分子、離子的相互作用，結果是運算速度比過去采用CPU集群提高了100倍。
A13.jpg
 

  關于人類疾病的研究是高性能科學計算的主要用途之一
    使用GPU工作站后，實際運算速度達到了705 gigaflops。這樣非凡的成績也使得生物科學研不再被限制在服務器集群平臺，有了GPU計算，在個人實驗室、桌面平臺都可以很輕松的進行這些生物分子的模擬，從而使研究者之間不再爭奪有限的計算資源。
    更進一步，在一些大規模服務器集群中引入GPU之后，一些過去無法實現的夢想現在也可以成為可能。納米級分子動力學與NVIDIA計算技術的結合是尖端研究與軟件開發技術的聯姻，用于幫助**級計算機解讀活性細胞分子的微小組成。
科學計算：MathWorks MATLAB
    MATLAB是一種非常適合于對科學和數學算法進行快速編碼的高級語言，并廣泛應用于各種研究領域，例如信號與圖像處理、測量、商業建模與分析、計算生物學等。
    使用NVIDIA 的GPU產品來加速MATLAB有兩種方法，*一種不需要改變MATLAB的代碼，僅通過插入CUDA FFT 或BLAS 函數庫就可完成。為了進一步加速MATLAB程序，CUDA 中的MATLAB插件允許編程人員使用優化過的CUDA程序來替換某些關鍵函數，這些新的CUDA函數可以被MATLAB程序所調用。由于使用了CUDA函數，MATLAB的使用者可以方便的加速計算而不必重寫整個應用程序。
神經電路模擬：
A14.jpg
 
 
    大腦神經電路的模擬需要大規模的進行大規模的生物電路模擬，其中也涉及到大量的并行計算。模擬一個神經細胞需要在一秒鐘內求解2億個方程式。一個神經系統矩陣則有成千上萬個神經細胞構成，對一格神經系統的即時模擬則需要**過10teraflops的計算能力。Evolved Machines公司在2006年與NVIDIA 合作，將神經系統的模擬速度比當今的x86 微處理器提高了130倍。
 
北京思騰創新科技發展有限公司
聯系人：張瑜
手機：
QQ：352983686  旺旺：奇寶大世界 支持淘寶交
        

北京思騰創新科技發展有限公司創立于2005年4月，公司位于首批國家電子信息產業園——北京中關村信息產業基地**地區。公司汲取了中關村成熟的IT文化沉淀,整合人力技術等優質資源.擁有雄厚的技術實力和客戶儲備，以客戶需求為基礎,充分掌握產品特性,為供應商提供靈活設計方案，為客戶提供從傳輸到接入領域全面的解決方案。
     公司憑借對IT市場的準確定位,和多年積累的實施與服務經驗，在逐步鞏固自身實力的同時，奉行與用戶共同發展的宗旨，通過與國內外**品牌廠商的代理合作，為能夠提供**產品及其綜合解決方案不懈努力。目前已擁有一批穩定的忠實客戶.建立了自己的成功案例庫.
     公司站在發展的高度看市場,時刻關注新產品上市,掌握服務器市場的較新動態，并力求將較新,較適合的產品**給用戶.公司代理推廣國內外各品牌的服務器、工作站、存儲系統,同時代理**品牌的服務器配件.通過誠信*的經營代理,與各廠家總代建立了理想的合作關系。依托各廠家、總代的資源優勢并組合本公司在服務器行業積累數年的銷售、技術、服務經驗,堅信可為廣大用戶提供專業、**的服務。公司以用戶需求為導向，執行深入的產品設計與專業的服務支持.經過數年的業內積累，公司已擁有完善的產品結構、專業的方案解決能力和技術支持能力，在大容量數據存儲、及通用服務器與存儲應用等方面擁有完整的產品線和完善的的技術支持，能為客戶提供面向不同應用層面的服務器和存儲解決方案，有較科學的性價比優勢。
    為了方便客戶對公司產品的選擇了解,公司還人性化的對每款產品配置了詳細的圖片資料介紹,以提高客戶對產品的認知度,從而選擇較適合自己的產品.而且公司已形成一整套完善的管理和良好的售后服務體系，并贏得了客戶的高度信賴！
     公司目前擁有專業*的團隊，成熟的市場渠道，良好的企業聲譽。我們將竭誠為各界客戶提供出色服務器產品和相關服務，以及具有創新精神的高技能解決方案。我們本著誠信、專業、熱忱的企業宗旨，歡迎各界朋友精誠合作!
客戶服務
　　公司倡導“全員服務”理念，推行標準化服務，提高客戶滿意度，同時為用戶：提供優質產品，信守服務承諾；為員工：提升自我**，提高生活質量；為社會：協調各界共贏發展，服務社會文明進步。
主營業務：定制服務器 AMD 服務器CPU nvidia 運算卡