update 15.3.1 GPU architecture

ch15_GPU和框架选型/第十五章_异构运算、GPU及框架选型.md

@@ -10,14 +10,37 @@ GPU,就如名字所包含的内容，原本开发的目的是为了进行计算
 
 ## 15.3 GPU架构简介
 
-（架构内容）
-### 15.3.1 为什么要使用GPU？
-（和CPU的区别 + 图示）
-### 15.3.2 CUDA 核心是什么？
+GPU，图形显示芯片作为不同于CPU的设计逻辑和应用场景，有着非常不同的架构，本部分将简单介绍GPU究竟是如何架构，其中的计算核心有哪些特性。
 
-### 15.3.3 新图灵架构里的tensor core对深度学习有什么作用？
+### 15.3.1 如何通俗理解GPU的架构？
+
+首先，下图简单地展示了几个GPU不同于CPU的特性：
+* 计算核心： 图中的CPU,i7-5960，Intel的第五代Broadwell架构，其中包括了8个CPU核心(支持16线程)，也就是理论上可以有16个不同的运算同时进行。除了8个核心计算单元，大部分的芯片面积是被3级缓存，内存和控制电路占据了。同样的，来自Nvidia的GTX980GPU，在差不多的芯片面积上，大部分是计算单元，16个SM，也就是流处理单元，每个流处理单元中包含着128个CUDA计算核心，所以总共来说，有2048个GPU运算单元，相应地这颗GPU理论上可以在一个时钟周期内可以进行2048次单精度运算。
+
+![CPU和GPU的简单架构对比图](./img/ch15/cpu_gpu.png)
+
+* 计算核心频率：时钟频率，代表每一秒中内能进行同步脉冲次数，也是从一个侧面反映一个计算元件的工作速度。下图中对比了个别早期产品，比如Intel的x5650和几款Nvidia的GPU。可以看出核心频率而言，CPU要远高于GPU。对于CPU而言，在不考虑能源消耗和制程工艺限制的情况下，追求更高的主频。但，在GPU的设计中，采用了多核心设计，即使是提高一些频率，其实对于总体性能影像不会特别大。当然，其中还有能耗方面的考虑，避免发热过高，也进行了权衡。还有一个可能的原因是，在一个流处理器中的每个核心（CUDA核心）的运行共享非常有限的缓存和寄存器，由于共享内存也是有性能极限的，所以即使每个GPU核心频率提高，如果被缓存等拖累也是无法展现出高性能的。
+
+![CPU简单信息](./img/ch15/cpu_specs.png)
+
+![GPU的简单信息对比](./img/ch15/gpu_specs.png)
+
+* 内存架构：GPU的多层内存架构包括全局内存（也就是通常意义上大部分比较关注的内存，在若干到16GB之间，截至到当前最新），2级缓存，和芯片上的存储（包括寄存器，和1级缓存共用的共享内存，只读/纹理缓存和常量缓存）。通常来说，最高速的共享内存/缓存和寄存器都是非常有限的，比如在Tesla的K20中，只有48K的缓存可以作为共享内存或者1级缓存使用，所以在很多用GPU加速算法实现的过程中，有效地利用这些高速缓存是使得性能提升的非常重要的方面。
+
+![GPU的简单信息对比](./img/ch15/gpu_memory_arch.png)
+
+![GPU的内存架构容量信息](./img/ch15/gpu_memory.png)
+
+### 15.3.2 为什么要使用GPU？
+
+哪些场景使用GPU
+
+### 15.3.3 CUDA 核心是什么？
+
+### 15.3.4 新图灵架构里的tensor core对深度学习有什么作用？
+
+### 15.3.5 GPU内存架构和应用性能的联系？
 
-### 15.3.4 GPU内存架构和应用性能的联系？
 
 ## 15.4 CUDA 框架