《一次性解释清楚什么是gpu挖矿》Pythonjacky128256的博客-

做一个牛逼闪闪的程序员，指的不是技术，是蔑视技术的态度。

$color{#222514}{-}color{#222514}{-}color{#222514}{-}color{#222514}{-}color{#4285f4}{T}color{#ea4335}{a}color{#fbbc05}{n}color{#4285f4}{g}color{#34a853}{s}color{#ea4335}{h}color{#4285f4}{u}color{#fbbc05}{n}color{#34a853}{c}color{#ea4335}{a}color{#fbbc05}{i}$

−−−−Tangshuncai

cpu与gpu的区别：

• cpu适合做不同的任务，gpu适合做重复性比较多的工作。
• cpu是领导，gpu是板砖的。

以下图示分别是gpu和gpu的硬件组成：

从组成模块上面看，gpu的算数逻辑单元数量众多，是cpu的几百倍。对于重复性的计算，gpu相当于有1024个核在并发执行（注意：此处是于操作系统的并发是两个不同的概念，此处是同一时刻的并发，而操作系统是一个时间段的并发），而cpu只有4个核在执行。速度上面自然是gpu快很多。

以下是实物图：

gpu执行时间对比：

1万次累加运算：

root@-desktop:~/capture/cuda# ./main  GPU运行时间为：71ms CPU运行时间为：3865ms  root@-desktop:~/capture/cuda# 

10万次累加运算：

root@-desktop:~/capture/cuda# ./main  GPU运行时间为：66ms  CPU运行时间为：38538ms root@-desktop:~/capture/cuda#  

可以发现，在一定次数范围内，gpu的性能尚未用完，因此时间稳定在70ms（70ms包括数据从cpu到gpu，gpu运算时间，结果从gpu到cpu的时间）。

执行环境

vmware虚拟机，ubuntu系统。
cuda库

cuda库安装

apt install cuda-nvcc-10-0 

设置动态库加载路径，命令加载路径：

root@-desktop:~/# tail /root/.bashrc  # enable programmable completion features (you don't need to enable # this, if it's already enabled in /etc/bash.bashrc and /etc/profile # sources /etc/bash.bashrc). #if [ -f /etc/bash_completion ] && ! shopt -oq posix; then #    . /etc/bash_completion #fi export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib/ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib/ export PATH=$PATH:/usr/local/cuda/bin root@jack-desktop:~/# 

代码如下：

/*kernel.cu*/ #include "cuda_runtime.h" #include "device_launch_parameters.h" #include "main.h" #include <stdio.h> inline void checkCudaErrors(cudaError err)//错误处理函数 { if (cudaSuccess != err) { fprintf(stderr, "CUDA Runtime API error: %s.n", cudaGetErrorString(err)); return; } }  __global__ void add(int *a,int *b,int *c)//处理核函数 { int tid = blockIdx.x*blockDim.x+threadIdx.x; for (size_t k = 0; k < 50000; k++) {                 c[tid] = a[tid] + b[tid]; } } extern "C" int runtest(int *host_a, int *host_b, int *host_c) { int *dev_a, *dev_b, *dev_c; checkCudaErrors(cudaMalloc((void**)&dev_a, sizeof(int)* datasize));//分配显卡内存 checkCudaErrors(cudaMalloc((void**)&dev_b, sizeof(int)* datasize)); checkCudaErrors(cudaMalloc((void**)&dev_c, sizeof(int)* datasize)); checkCudaErrors(cudaMemcpy(dev_a, host_a, sizeof(int)* datasize, cudaMemcpyHostToDevice));//将主机待处理数据内存块复制到显卡内存中 checkCudaErrors(cudaMemcpy(dev_b, host_b, sizeof(int)* datasize, cudaMemcpyHostToDevice));          add << <datasize / 100, 100 >> >(dev_a, dev_b, dev_c);//调用显卡处理数据 checkCudaErrors(cudaMemcpy(host_c, dev_c, sizeof(int)* datasize, cudaMemcpyDeviceToHost));//将显卡处理完数据拷回来 cudaFree(dev_a);//清理显卡内存 cudaFree(dev_b); cudaFree(dev_c); return 0; } 

// main.h #ifndef __MAIN_H__ #define __MAIN_H__ #define datasize        100 * 1000 #endif 

//main.cc #include "main.h" #include <stdio.h> #include <stddef.h> #include <stdint.h> #include <time.h> extern "C" int runtest(int *host_a, int *host_b, int *host_c);//显卡处理函数 int main() { int a[datasize], b[datasize], c[datasize]; for (size_t i = 0; i < datasize; i++) {                 a[i] = i;                 b[i] = i*i; } long now1 = clock();//存储图像处理开始时间   runtest(a,b,c);//调用显卡加速 printf("GPU运行时间为：%dmsn", int(((double)(clock() - now1)) / CLOCKS_PER_SEC * 1000));//输出GPU处理时间 long now2 = clock();//存储图像处理开始时间   for (size_t i = 0; i < datasize; i++) { for (size_t k = 0; k < 50000; k++) {                         c[i] = (a[i] + b[i]); } } printf("CPU运行时间为：%dmsn", int(((double)(clock() - now2)) / CLOCKS_PER_SEC * 1000));//输出GPU处理时间 /*for (size_t i = 0; i < 100; i++)//查看计算结果           {           printf("%d+%d=%dn", a[i], b[i], c[i]);           }*/ getchar(); return 0; } 

Makefile

all:         nvcc -c kernel.cu         g++ -std=c++11 -c main.cc         g++ -std=c++11 -o main main.o kernel.o -lcudart -L/usr/local/cuda/lib64 clean:         rm -rf main  

区块链挖矿，就是通过碰撞方法，计算出一个符合哈希值的输入，最先算出合法输入的节点被投票成功后，取得记账的主导权，并获得token奖励。 gpu相对于cpu，可以显著的提高哈希运算的效率。
不过说白了，gpu挖矿也没有多少复杂之处。

对于编写服务器的程序员来说，可以在代码中加入gpu来执行循环运算，以节省cpu的宝贵时间，这比一些动不动就大谈协程，http3.0的人要实在一些。