GPU — Processeur graphique
Un CPU est optimisé pour exécuter peu de tâches complexes très vite, en séquence (quelques cœurs puissants). Un GPU (Graphics Processing Unit) suit la philosophie inverse : énormément de tâches simples en parallèle — des milliers de petits cœurs, chacun moins puissant qu'un cœur CPU, mais tous actifs en même temps.
CPU vs GPU : deux philosophies
CPU (quelques cœurs puissants) GPU (des milliers de cœurs simples)
┌─────┐┌─────┐┌─────┐┌─────┐ ┌─┬─┬─┬─┬─┬─┬─┬─┬─┬─┬─┬─┬─┬─┬─┬─┐
│Cœur1 ││Cœur2 ││Cœur3 ││Cœur4 │ ├─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┤
│ ALU ││ ALU ││ ALU ││ ALU │ ├─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┼─┤
│complexe│complexe│complexe│complexe│ └─┴─┴─┴─┴─┴─┴─┴─┴─┴─┴─┴─┴─┴─┴─┴─┘
└─────┘└─────┘└─────┘└─────┘ des milliers de petites unités ALU
optimisé pour la latence : optimisé pour le débit (throughput) :
finir UNE tâche le plus vite traiter des MILLIERS de tâches
possible identiques en même temps
Pourquoi c'est pertinent pour le rendu graphique : afficher une image revient à calculer la couleur de millions de pixels, souvent avec des opérations très similaires (voire identiques) d'un pixel à l'autre — un problème massivement parallélisable, exactement ce pour quoi le GPU est taillé. Ce même profil de calcul (beaucoup d'opérations identiques sur beaucoup de données) se retrouve dans l'entraînement de réseaux de neurones — voir PyTorch — d'où l'usage massif des GPU en IA, bien au-delà du graphisme.
Intégré vs dédié
| GPU intégré | GPU dédié | |
|---|---|---|
| Emplacement | Sur la même puce que le CPU | Carte séparée, connectée en PCIe |
| Mémoire | Partage la RAM système | Sa propre mémoire dédiée (VRAM), beaucoup plus rapide |
| Puissance | Limitée, adaptée au bureau/vidéo légère | Bien plus élevée, jeu/rendu 3D/calcul intensif |
| Consommation | Faible | Élevée, alimentation dédiée nécessaire (voir Power) |
VRAM : pourquoi une mémoire dédiée
La VRAM (Video RAM) d'un GPU dédié est optimisée pour un débit énorme (bande passante très large, souvent plusieurs centaines de Go/s) plutôt que pour la latence la plus faible possible — cohérent avec le profil de calcul massivement parallèle du GPU : peu importe le délai pour une donnée précise, ce qui compte c'est le volume total transféré par seconde pour nourrir des milliers de cœurs en continu.
Le pipeline graphique, simplifié
Données 3D (sommets, textures)
│
▼
Vertex Shader → positionne les sommets dans l'espace 3D → 2D (écran)
│
▼
Rasterization → convertit les triangles en pixels candidats
│
▼
Fragment/Pixel Shader → calcule la couleur finale de chaque pixel
│
▼
Framebuffer → image finale envoyée à l'écran
Les shaders sont de petits programmes exécutés par le GPU, massivement en parallèle (un par sommet, un par pixel) — c'est cette architecture de shaders programmables qui a ouvert la voie au calcul généraliste sur GPU (GPGPU).
GPGPU : le calcul généraliste sur GPU
À partir du milieu des années 2000, les développeurs ont détourné les shaders programmables pour faire des calculs non graphiques massivement parallèles — calcul scientifique, cryptographie (cassage de hash), et surtout, depuis les années 2010, l'entraînement de réseaux de neurones.
- CUDA (NVIDIA, propriétaire) — la plateforme dominante en deep learning, très largement supportée par PyTorch et TensorFlow.
- ROCm (AMD, ouvert) — alternative en développement actif, support croissant mais historiquement en retrait face à CUDA.
- OpenCL — standard ouvert multi-plateforme, moins dominant aujourd'hui côté IA que CUDA.
Inspecter son GPU sous Linux
lspci | grep -i vga # identifier le(s) GPU présents
nvidia-smi # état, utilisation, mémoire (GPU NVIDIA)
glxinfo | grep "OpenGL renderer" # GPU utilisé pour le rendu OpenGL
Ce qu'il faut retenir
- CPU = peu de cœurs puissants (latence) ; GPU = des milliers de cœurs simples (débit/parallélisme).
- Ce profil massivement parallèle explique à la fois le rendu graphique et l'usage des GPU en deep learning.
- VRAM dédiée ≠ RAM système : optimisée pour le débit, pas la latence individuelle.
- CUDA (NVIDIA) domine l'écosystème IA, ROCm (AMD) est l'alternative ouverte.