电脑显示器上显示的图像，在显示在显示器上之前，要经过一些列处理，这个过程有个专有的名词叫“渲染”。以前的计算机上没有GPU，渲染就是CPU负责的。渲染是个什么操作呢，其实就是做了一系列图形的计算，但这些计算往往非常耗时，占用了CPU的一大部分时间。而CPU还要处理计算机器许多其他任务。因此就专门针对图形处理的这些操作设计了一种处理器，也就是GPU。这样CPU就可以从繁重的图形计算中解脱出来。
由于GPU是专门为了渲染设计的，那么他也就只能做渲染的那些事情。
渲染这个过程具体来说就是几何点位置和颜色的计算，这两者的计算在数学上都是用四维向量和变换矩阵的乘法，因此GPU也就被设计为专门适合做类似运算的专用处理器了。为什么说专用呢，因为很多事情他做不了。
CPU通用性强，但是专用领域性能低。工程就是折衷，这项强了，别的就弱了。再后来游戏、3D设计对渲染的要求越来越高，GPU的性能越做越强。论纯理论计算性能，要比CPU高出几十上百倍。
人们就想了，既然GPU这么强，那用GPU做计算是不是相比CPU速度能大大提升呢？于是就有了GPGPU（generalpurposeGPU，通用计算GPU）这个概念。但我们前面提到了，GPU是专门为了图像渲染设计的，他只适用于那些操作。但幸运的是有些操作和GPU本职能做的那些东西非常像，那就可以通过GPU提高速度，比如深度学习。
深度学习中一类成功应用的技术叫做卷积神经网络CNN，这种网络数学上就是许多卷积运算和矩阵运算的组合，而卷积运算通过一定的数学手段也可以通过矩阵运算完成。这些操作和GPU本来能做的那些图形点的矩阵运算是一样的。因此深度学习就可以非常恰当地用GPU进行加速了。
以前GPGPU(通用GPU)概念不是很火热，GPU设计出来就是为了图形渲染。想要利用GPU辅助计算，就要完全遵循GPU的硬件架构。而现在GPGPU越来越流行，厂家在设计和制造加工GPU的时候也会照顾到计算领域的需求了。
以质量赢得市场
用诚信铸就品牌
PLC可编程控制器:
Allen-Bradley（罗克韦尔）:1756/ 1771/ 1785系列、Reliance
瑞恩。
Schneider（施耐德）: Modicon Quantum 140处理器、输入输出
模块、电源模块等。
Siemens（西门子）:S5/S7系列200、300、400；6AV/6GK系列备件。
——还有未列出的系列，欢迎您的咨询！
ABB MB805A
Megger TTR20
Honeywell FS24X-211
Honeywell FS20X-211
503-4393-00
351-8752-00
00950C
Trane X 1374 0084-01 SCM0001E
DS-6 33310
7ME35001FA300AA1
ED2AA
PC-200062-01-03
WIGGENHAUSER D-130
CRYOTEK ARGON CO2 SAIP/33
SIEMENS 6ES5948-3UA22
Schenck VSE 20100
ABB DI01A
ABB RMU810 /RMU810A CEAGJ06726
ACCURAY S-061551-003