DCU(深度计算单元)与 GPU 的区别

Created2026-09-15|Updated2026-09-15|CS

|Post Views:

在“面向DCU的OpenFOAM并行加速研究”中，DCU通常指的是数据处理单元（Data Compute Unit ）。在计算机硬件领域，DCU是一种专门设计用于高效处理数据密集型计算任务的芯片或硬件模块。与传统的CPU（中央处理器）和GPU（图形处理器）不同，DCU针对特定的数据处理任务进行了优化，比如在大规模数据处理、机器学习和高性能计算等领域有着广泛的应用。在OpenFOAM的语境下，OpenFOAM是一款用于计算流体动力学（CFD）等工程模拟的开源软件。使用DCU对OpenFOAM进行并行加速研究，目的是利用DCU强大的并行计算能力，加速OpenFOAM模拟过程中的计算，提高计算效率，从而更快速地完成复杂的流体动力学模拟等任务。

DCU（Deep Computing Unit）与GPU的区别

这里的DCU的D是Data还是该是Deep？

确认是deep

DCU 加速卡是一种协处理器，其架构类似于GPU，具有相似的特性，本文
通过在新型国产超算平台上安装OpenFOAM，并在单节点实现了多块DCU 加速卡
与OpenFOAM 的结合，创建了全新的基于DCU 加速卡的求解器DCUsolver。并对
其进行编译封装，使其通过OpenFOAM 的controlDict 和fvSolution 两个文件进行调
用。测试了相关性能，有着可观的性能加速，并通过热点分析，确定OpenFOAM
的算法热点，进行了一定程度的优化。在OpenFOAM-2.2.x 实现了混合精度的处理，
大约有1.5 倍的性能加速。

这里谈的DCU，应该就是GPGPU吧

海光DCU

V100的全面国产替代 ——海光DCU Z100L 面向人工智能的GPGPU加速卡 - 知乎

Author: tttt

Link: https://hugh-tong.github.io/2026/09/15/dcu-vs-gpu/

Copyright Notice: All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.

CS GPU加速 Computing Unit

Related Articles

Ubuntu 硬件传感信息查看(CPU 温度/风扇转速)

Ubuntu 下查看 CPU 温度、风扇转速等硬件传感信息的常用工具下面按用途分为命令行与图形界面两类，并给出快速上手命令与要点。多数工具依赖内核的 hwmon/ACPI/厂商驱动，若读不到数据，见文末“读不到传感器时的排查”。一览表（按硬件/场景）硬件/场景推荐工具（CLI）推荐工具（GUI/桌面） CPU/主板温度、风扇转速 lm-sensors（sensors） Psensor、Vitals（GNOME 扩展）、KDE Plasma System Monitor、Indicator Sensors NVIDIA 显卡温度/风扇 nvidia-smi GPU 图形软件（Psensor 也可显示） AMD 显卡温度/风扇 amdgpu_top、rocm-smi/amd-smi Psensor/KDE（接入 lm-sensors） NVMe SSD 温度 nvme-cli（nvme smart-log） Psensor（经 lm-sensors&#x...

Unified Memory 与 Shared Memory

这是 CUDA/GPU 计算领域的一个高频易混概念问题。我们来详细区分： 1. Shared memory（共享内存）定义：在CUDA等GPU编程中，Shared memory专指每个线程块（Block）内部所有线程独享的高速片上内存。范围/特性：作用范围（Scope）：仅同一个Block内的线程可见与读写，不同Block间不共享。访问速度：极快，接近寄存器速度，远快于全局内存（global memory）。容量有限：每个SM（流处理器组）通常只有48kB或更大一点（具体随硬件）。典型用途：线程协作、数据缓存、矩阵块操作、并行归约等 Block 内部的高效并行数据交换。声明：1__shared__ float buf[256]; 同步：需手动使用__syncthreads()同步线程对shared memory的访问。 2. Unified memory（统一内存）定义：Unified memory 是NVIDIA CUDA从Kepler架构开始引入的一种机制，它让CPU和GPU共享一块统一逻辑地址空间（Unified Virtual...

机器学习 vs 深度学习

简单来说，Deep Learning（深度学习）是 Machine Learning（机器学习）的一个子集。如果把人工智能（AI）比作一个圆圈，那么机器学习就在圆圈内部，而深度学习则是机器学习内部的一个更小的圆圈。它们的核心区别在于数据的处理方式以及对硬件的依赖程度。 1. 核心差异对比特性 Machine Learning (传统机器学习) Deep Learning (深度学习) 数据依赖在小数据集上表现良好。需要海量数据（大数据）才能发挥优势。特征工程人工干预：需要专家手动提取特征（如颜色、形状、边缘）。自动提取：神经网络自动从原始数据中学习特征。硬件需求普通 CPU 即可运行。高度依赖 GPU/TPU 进行大规模并行计算。执行时间训练时间短，推理速度快。训练时间可能长达数天甚至数周。算法结构线性回归、决策树、支持向量机 (SVM)。多层神经网络 (CNN, RNN, Transformers)。 2. 关键区别：特征提取 (Feature Extraction)这是两者最本质的区别。机器学习 ...

HPC 计算杂记

逻辑处理器、线程（Thread）和核心（Core）是计算机处理器架构中的三个相关但不同的概念。以下是它们之间的区别和联系：核心（Core）：核心是CPU内部的一个物理单元，能够独立执行计算任务。每个核心都有自己的一套执行单元和缓存。在多核心处理器中，每个核心可以并行处理不同的任务。线程（Thread）：线程是操作系统能够进行运算调度的最小单位，是被系统独立调度和分派的基本单位。一个进程（Process）可以包含多个线程，每个线程可以并行执行不同的任务。线程共享进程的内存空间和资源，但拥有自己的程序计数器、寄存器集合和堆栈。逻辑处理器（Logical Processor）：逻辑处理器是指从操作系统的角度看，能够独立执行线程的处理器。逻辑处理器可以是物理核心，也可以是超线程技术（Hyper-Threading Technology，HT）创建的虚拟核心。超线程技术允许单个物理核心模拟多个逻辑核心，每个逻辑核心可以执行不同的线程。区别：物理核心是实际存在的硬件单元，而线程是操作系统层面的概念，用于任务的并行执行。逻辑处理器可以是物理...

WSL 使用经验(含离线安装)

离线安装Win10 WSL2 手动安装在非C盘的方法 - ZXYFrank - 博客园再把 CanonicalGroupLimited.UbuntuonWindows_2004.2021.825.0\Ubuntu_2004.2021.825.0_x64.appx 解压缩双击 .exe安装即可除了.exe 以及 ext4.vhdx，其他都可以删除离线安装WSL的安装包【调试笔记-20240522-Windows-WSL 修改已安装发行版名称】_wsl 改名-CSDN博客旧版 WSL 的手动安装步骤 | Microsoft Learn 下载发行版在某些情况下，你可能无法（或不想）使用 Microsoft 商店安装 WSL 的 Linux 发行版。你可能正在运行不支持 Microsoft 应用商店的 Windows Server 或 Long-Term 服务（LTSC）桌面 OS SKU，或者公司网络策略和/或管理员不允许在环境中使用 Microsoft 应用商店。在这些情况下，虽然 WSL 本身可用，但可能需要直接下载 Linux 分发版。如果...

Pandoc:Markdown 转 Docx 实用配置

Pandoc_MdToDocx“工业级别的参数”指高级、专业级的参数选项，用于实现高质量、格式化的Word文档导出（适合学术论文、报告或企业文档等“工业级”场景）。Pandoc是一个强大的开源文档转换工具（官网：https://pandoc.org/），它可以将Markdown（.md）文件转换为DOCX（Microsoft Word格式），并保留标题、列表、表格、图片、代码块、数学公式等格式。在Windows下，Pandoc的使用与其他平台类似（命令行驱动）。我会先介绍安装和基本使用，然后列出关键参数（聚焦于提升导出质量到“工业级别”的选项），最后给出示例和提示。这些参数基于Pandoc的最新稳定版（截至2023年为v3.x），可以帮助您从Markdown快速生成专业化的Word文档。 1. Windows下Pandoc的安装和准备下载安装：从官网下载Windows安装包（.msi格式），安装后Pandoc会添加到系统PATH中。打开命令提示符（CMD）或PowerShell，运行pandoc --version验证安装。依赖：对于基本DOCX导出，无需额外依赖。如果...

Loading Database