GPU: 衡量计算效能的正确姿势（1）

琢磨了好几天，也不知道公众号第一篇正式文章应该怎么写。现在很后悔在朋友圈高调公开公众号，还竟敢宣称有15年行业经验，大家不要信以为真，其实不过是一年经验重复了十几年而已。连知乎的小朋友都知道问问题的正确姿势，我真是有些汗颜。

言归正状，万事开头难，现在骑虎难下，也只好勉力为之。在这里想先介绍些今后文章经常会涉及的一些指标概念，希望能达成基本的共识，到时候交流起来会方便些。

Lateny和Throughput

1 延迟（latency），完成一个任务所需要的时间。

2.吞吐量（throughput），单位时间完成的任务量。

体系结构大神David.A.Patterson在他的著作《计算机组成和设计》用洗衣过程来做譬喻。洗衣过程由清洗，烘干，折叠，收纳四个环节组成，每个环节耗时30分钟，所以每次洗衣任务的latency是2个小时，没有优化以前，8个小时的完成4次洗衣任务，所以throughput只有0.5。

经过流水线改造以后，效率得到改善，虽然每次洗衣还是花费2小时，但单位时间完成的任务量大大提升，4次洗衣任务只花了3.5个小时。

我们可以把生活常识映射到处理器的流水线(Pipeline)设计，处理器的指令Pipeline通过实现指令级的并行（Instruction Level Parallelism）来提高throughput。这种ILP的优化对码农们就是免费的午餐，躺着程序性能就上去了。

另外，如下图，我们也可以通过多核CPU或者内置很多计算单元的GPU来提高程序整体的性能（throughput），这种优化属于线程级并行（Thread Level Parallelism)。相比ILP，TLP对码农不太友好，不再供应免费的午餐，我们需要编写多线程程序，甚至通过专门的接口（CUDA/OpenCL）让CPU/GPU忙碌起来，才能得到性能的提升。

第一篇先写到这儿了，再长就没人看了，接下来会介绍其它几个重要概念。