{"id":170778,"date":"2026-01-28T13:11:55","date_gmt":"2026-01-28T12:11:55","guid":{"rendered":"https:\/\/liora.io\/de\/?p=170778"},"modified":"2026-02-06T04:26:13","modified_gmt":"2026-02-06T03:26:13","slug":"gpu-data-science","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/gpu-data-science","title":{"rendered":"GPU und Data Science: Wo ist der Zusammenhang?"},"content":{"rendered":"

Eine GPU oder „Graphics Processing Unit“ ist die Komponente eines Computers, die die Darstellung von Bildern auf dem Bildschirm erm\u00f6glicht. Es handelt sich dabei um die Grafikverarbeitungseinheit.<\/strong><\/p>\nWenn man einen Computer mit einem Gehirn vergleicht, k\u00f6nnte man sagen, dass die CPU die Abteilung<\/strong> ist, die sich dem logischen Denken widmet, w\u00e4hrend der Grafikprozessor f\u00fcr den kreativen Aspekt zust\u00e4ndig ist. Er sorgt daf\u00fcr, dass die rohen Bin\u00e4rdaten in visuell ansprechende Bilder umgewandelt werden.\n\nEin einfacher Grafikprozessor, der in die CPU integriert ist, reicht aus, um die Anzeige eines Betriebssystems wie Windows auf einem Bildschirm zu verwalten. F\u00fcr grafikintensivere Aufgaben wie Video-Rendering oder Design ist dagegen in der Regel ein unabh\u00e4ngiger und leistungsf\u00e4higerer Grafikprozessor in Form einer Grafikkarte erforderlich.<\/strong>\n\nDie beiden gr\u00f6\u00dften Hersteller von Grafikkarten sind Nvidia und AMD.<\/strong> Im Bereich der integrierten Grafikprozessoren dominiert Intel den Markt. Smartphones und Tablets sind auch mit SoC-Chips (System-on-a-Chip) ausgestattet, die eine CPU und einen Grafikprozessor vereinen und in der Regel von Qualcomm und MediaTek hergestellt werden.\n

Die verschiedenen Arten von CPU \/ Grafikprozessoren<\/h2>\nEs gibt zwei Haupttypen von Grafikprozessoren<\/strong> in modernen PCs: integrierte und dedizierte. Der erste Typ ist direkt in den Prozessor integriert, der zweite ist separat.\n\nGrafikkarten f\u00fcr Desktop-PC<\/strong>s sind in der Regel gro\u00dfe Komponenten mit L\u00fcftern zur K\u00fchlung. Diese Karten vereinen den Grafikprozessorchip und dedizierten RAM f\u00fcr schwerere Grafiklasten wie Videospiele.\n\nEs ist sehr einfach, eine Grafikkarte in einem Desktop-PC auszutauschen. Du musst sie nur in einen PCIe x16-Steckplatz schieben, sie an die Stromversorgung anschlie\u00dfen und dann die Treiber installieren<\/strong>. Man kann sogar mehrere GPUs auf einem Computer installieren.\n\nLaptops mit dedizierten Grafikprozessoren verf\u00fcgen nicht \u00fcber denselben Typ von Grafikprozessor. In der Regel handelt es sich um einen einfachen Chip, der auf das Motherboard gel\u00f6tet wird. Diese Art von Grafikprozessor ist komplizierter oder sogar unm\u00f6glich zu ersetzen. Au\u00dferdem ist es schwierig, sie unter intensiver Belastung (z. B. beim Training eines Deep-Learning-Modells<\/a>) aufgrund der geringen Bel\u00fcftung des Computers auf einer guten Temperatur zu halten. Aus diesem Grund werden Laptop-GPUs h\u00e4ufig in ihrer Leistung gedrosselt, um die Temperatur des Computers unter Kontrolle zu halten. Es ist daher nicht empfehlenswert, in einen Laptop zu investieren, um Deep-Learning-Modelle zu trainieren.\n\nEingebaute Grafikprozessoren sind direkt in den CPU-Prozessor eingebaut. Einige Prozessoren verf\u00fcgen nicht \u00fcber sie, wie z. B. die CPUs der Ryzen-Reihe von AMD.<\/strong> Stattdessen stellt AMD Prozessoren mit integrierten Grafikkarten her, die Accelerated Processing Unit (APUs) genannt werden.\n\nAuch Intels Core-Chips,<\/strong> deren Modellnummer mit F endet, haben keine Grafikprozessoren. Dies gilt auch f\u00fcr die CPUs der Core X-Reihe, deren Modellnummern mit X enden. Diese Prozessoren werden zu einem reduzierten Preis angeboten.\n\nModerne Prozessoren mit integrierten Grafikprozessoren k\u00f6nnen erstaunlich leistungsf\u00e4hig sein. F\u00fcr einen intensiven Anwendungsfall wie Data Science<\/a> ist jedoch ein dedizierter Grafikprozessor unerl\u00e4sslich.\n
\n\t\t\t\t\t\t\t\t\t\t\"\"
<\/figcaption><\/figure>\n

Wozu dient ein GPU ?<\/h2>\nDer Begriff Grafikprozessor<\/strong> wurde in den 1990er Jahren von Nvidia demokratisiert. Seine GeForce-Grafikkartenreihe war die erste, die popul\u00e4r wurde und Technologien wie Hardwarebeschleunigung, programmierbares Shading oder Streaming-Verarbeitung weiterentwickelt hat.\n\nBei der grundlegenden Nutzung eines Computers, wie dem Surfen im Internet oder der Verwendung von B\u00fcrosoftware, besteht die Rolle eines Grafikprozessors lediglich darin, Bilder auf dem Bildschirm anzuzeigen.\n\nF\u00fcr andere Anwendungsbereiche wie Gaming oder Data Science bietet ein Grafikprozessor jedoch viele M\u00f6glichkeiten. Er erm\u00f6glicht z. B. Videokodierung oder 3D-Rendering und wird sogar zum Training von Deep-Learning-Modellen, aber auch von ensemblistischen Modellen wie LightGBM verwendet.\n\nComputergenerierte Grafiken, wie sie in Videospielen oder anderen animierten Medien vorkommen, ben\u00f6tigen eine gro\u00dfe Menge an Leistung, um jedes Bild einzeln mit einer Bildwiederholrate zu zeichnen, die weit \u00fcber 100 Bilder pro Sekunde betragen kann.\n\nEbenso erfordert die Videobearbeitung die Bearbeitung<\/strong> gro\u00dfer Mengen von Dateien in hoher Aufl\u00f6sung. Ein leistungsstarker Grafikprozessor ist unerl\u00e4sslich, um die Dateien in einer akzeptablen Geschwindigkeit zu transkodieren.\n\nGrafikprozessoren wurden urspr\u00fcnglich entwickelt, um das Rendering von 3D-Grafiken zu beschleunigen. Im Laufe der Zeit wurden sie flexibler und programmierbarer. Ihre F\u00e4higkeiten wurden immer weiter ausgebaut.\n\nDies erm\u00f6glichte es Designern, realistischere visuelle Effekte mit Licht- und Schattentechniken zu erzeugen. Au\u00dferdem haben Entwickler begonnen, die Leistung von Grafikprozessoren zu nutzen, um Workloads in den Bereichen Deep Learning und High Performance<\/strong> Computing (physikalische Simulationen, Dateikomprimierung usw.) zu beschleunigen. Hier sind die wichtigsten Anwendungsf\u00e4lle f\u00fcr Grafikprozessoren.\n

1. Videospiele<\/h3>\nBei einem Videospiel ist es der Grafikprozessor, der es erm\u00f6glicht, die Bilder von Charakteren, Landschaften oder modellierten 3D-Objekten<\/strong> bis ins kleinste Detail darzustellen. Denn Videospiele erfordern zahlreiche mathematische Berechnungen, die parallel zur Darstellung der Bilder auf dem Bildschirm durchgef\u00fchrt werden.\n\nDer Grafikprozessor ist speziell darauf ausgelegt, Grafikinformationen<\/strong> wie Geometrie, Farbe, Farbton oder Texturen eines Bildes zu verarbeiten. Der RAM <\/strong>erm\u00f6glicht es auch, die gro\u00dfe Menge an Informationen, die an den Grafikprozessor \u00fcbertragen werden, und die Videodaten<\/strong>, die an den Bildschirm gerichtet sind, zu bew\u00e4ltigen.\n\nAlle Anweisungen werden von der CPU an den Grafikprozessor weitergeleitet, der die Ausf\u00fchrung der Anweisungen \u00fcbernimmt, um die Bilder auf dem Bildschirm anzuzeigen. Dieser Prozess wird als Rendering oder Grafikpipeline bezeichnet.\n\nDie Grundeinheit der 3D-Grafik ist das Polygon<\/strong>. Alle Bilder, die man in einem Videospiel sieht, basieren auf einer gro\u00dfen Ansammlung von Polygonen.\n\nDiese Grundformen werden zusammen mit anderen Linien und Punkten als „Primitive <\/strong>“ bezeichnet. Sie werden zusammengesetzt, um konkrete und erkennbare Objekte zu bilden, wie z. B. einen Tisch, einen Baum oder einen Zauberer. Je mehr Polygone es gibt, desto detaillierter sind die fertigen Bilder.\n\nJedes Objekt hat seinen eigenen Satz von Koordinaten<\/strong>, mit denen der Grafikprozessor wei\u00df, wo er es in einer Szene platzieren muss. Das ist der Grund, warum Objekte in Spielen bei einem Fehler manchmal an beliebiger Stelle platziert werden.\n\nDer Grafikprozessor f\u00fchrt dann Berechnungen durch, um die Perspektive der „Kamera“<\/strong> zu bestimmen. Schlie\u00dflich erhalten die Bilder ihre Texturen, Schatten und Farben, die es erm\u00f6glichen, sie so realistisch aussehen zu lassen.\n\nDiese Grafikbearbeitung wird in rasender Geschwindigkeit durchgef\u00fchrt. Dies erfordert schwere Berechnungen<\/strong>, weshalb ein leistungsf\u00e4higer, dedizierter Grafikprozessor unerl\u00e4sslich ist.\n\nEs ist technisch m\u00f6glich, eine CPU f\u00fcr die Grafik zu verwenden, aber das ist weniger effizient und das Endergebnis ist visuell nicht so beeindruckend. Diese Komponente ist bereits damit besch\u00e4ftigt, das Betriebssystem, andere Programme und Hintergrundprozesse auszuf\u00fchren.\n
\n\t\t\t\t\t\t\t\t\t\t\"\"\n\n
<\/figcaption><\/figure>\n

2. Videomontage<\/h3>\nViele Jahre lang waren Videoeditoren<\/strong>, Grafikdesigner<\/strong> und andere kreative Profis durch langsames Rendering eingeschr\u00e4nkt.\n\nHeute macht die von GPUs angebotene Parallelverarbeitung das Video-Rendering<\/strong> in Formaten mit h\u00f6herer Aufl\u00f6sung viel einfacher und schneller. Dadurch kann die Zeit f\u00fcr die Produktion und Iteration von Videos<\/strong> verk\u00fcrzt werden.\n

3. Kryptomow\u00e4hrungen<\/h3>\nEin Grafikprozessor ist speziell f\u00fcr die Grafikverarbeitung ausgelegt. Diese Aufgabe erfordert jedoch viele mathematische Berechnungen<\/strong>, die parallel ausgef\u00fchrt werden.\n\nDieser Fokus auf Berechnungen und parallele Operationen macht GPUs besonders geeignet f\u00fcr das Mining von Ethereuund anderen <\/strong>Kryptow\u00e4hrungen <\/a>, die von Ethereum abgeleitet wurden. Krypto-Miner haben sich sehr schnell auf diese Komponenten verlegt und die CPUs, die f\u00fcr diesen Anwendungsfall zu allgemein und weniger leistungsf\u00e4hig sind, vernachl\u00e4ssigt.\n

GPU und Data Science<\/h2>\nData Science bezeichnet alle Methoden und Techniken, die es erm\u00f6glichen, Informationen aus Rohdaten<\/strong> zu extrahieren. Diese Informationen k\u00f6nnen von Algorithmen<\/a> des Machine Learning<\/strong> verwendet werden, um Systeme der k\u00fcnstlichen Intelligenz zu erzeugen.\n\nDiese Disziplin erfordert viel Rechenleistung, und Grafikprozessoren sind besonders geeignet, da viele der mathematischen Operationen<\/strong>, die beim Machine Learning verwendet werden, leicht parallelisierbar sind.\n\nEiner der neuesten und wichtigsten Anwendungsf\u00e4lle f\u00fcr Grafikprozessoren ist die Erstellung von <\/strong>\n
Neuronalen Netzen<\/a><\/div><\/div>\n k\u00fcnstlicher Intelligenz<\/strong>. Es handelt sich auch um einen der anspruchsvollsten Anwendungsf\u00e4lle in der Data Science.\n\nModerne k\u00fcnstliche Intelligenz h\u00e4ngt stark von der F\u00e4higkeit ab, massive Datenmengen<\/strong> mithilfe von spezialisierter Hardware parallel zu verarbeiten. Grafikprozessoren haben eine wichtige Rolle bei der Entwicklung dieser neuen Technologien gespielt. Ohne GPUs h\u00e4tten wir nicht die Hardware, die f\u00fcr das Training leistungsf\u00e4higer neuronaler Netze<\/strong> erforderlich ist.\n\nNormalerweise vervollst\u00e4ndigt eine CPU die Aufgaben sequentiell. Sie kann in einige Kerne unterteilt sein (typischerweise 8 oder 16 Kerne), und jeder Kern kann eine andere Aufgabe ausf\u00fchren, w\u00e4hrend ein Grafikprozessor mit Hunderten oder Tausenden von Kernen ausgestattet ist, die sich gleichzeitig einer einzigen Aufgabe widmen<\/strong>. Die Parallelisierung der Verarbeitung ist grundlegend f\u00fcr das Design von Algorithmen f\u00fcr Grafikprozessoren, weshalb sich die Programmierung von Anweisungen auf dem Grafikprozessor v\u00f6llig von der traditionellen Programmierung auf CPUs unterscheidet.\n\nDeep-Learning-Bibliotheken wie TensorFlow und PyTorch \u00fcbernehmen die Programmierung des Grafikprozessors im Hintergrund, was die Entwicklung von Deep-Learning-Modellen auf dem Grafikprozessor enorm vereinfacht.\n\nDie Verwendung von Grafikprozessoren mit diesen Bibliotheken erfordert die Installation von Treibern, die speziell f\u00fcr Hochleistungsrechnen<\/strong> bestimmt sind. Anweisungen zur Installation dieser Treiber findest du in den Dokumentationen dieser Bibliotheken.\n
\n\t\t\t\t\t\t\t\t\t\t\"\"\n\n
<\/figcaption><\/figure>\n

Wie findet man die passende GPU ?<\/h2>\nDer beste Weg, die Leistung eines Grafikprozessors objektiv zu bewerten, ist mithilfe von Benchmarks<\/strong>: Tests, die entwickelt wurden, um die Grenzen von Grafikprozessoren zu testen und ihnen eine Punktzahl zuzuweisen. Diese Punktzahlen erm\u00f6glichen es, alle Grafikprozessoren auf dem Markt zu vergleichen und so denjenigen auszuw\u00e4hlen, der die Erwartungen am besten erf\u00fcllt. Je nach Anwendungsbereich wird der Benchmark unterschiedlich ausfallen.\n\nF\u00fcr Videospiele sind Benchmarks sehr beliebt. Typischerweise wird die Bildwiederholrate verglichen, die bei einem bestimmten Spiel erreicht wird: Ein Grafikprozessor, der 70 Frames pro Sekunde <\/strong> (oder frames per second<\/i><\/strong> auf Englisch) bei Tomb Raider erzeugen kann, ist besser als ein Grafikprozessor, der 55 Frames pro Sekunde erzeugen kann.\n\nF\u00fcr die Videobearbeitung gibt es zahlreiche Benchmarks, um die Rendering-Leistung eines Grafikprozessors bei Software wie Adobe Photoshop<\/strong>, Adobe Premiere Pro<\/strong>, Sony Vegas<\/strong>, etc. zu vergleichen. In diesem Fall wird die Zeit verglichen, die ben\u00f6tigt wird, um das Rendern eines Videos abzuschlie\u00dfen, und je geringer diese Zeit ist, desto besser ist der Grafikprozessor.\n\nF\u00fcr Deep Learning gibt es Benchmarks, die die Trainingszeit vergleichen, die f\u00fcr das Training von sehr bekannten Modellen <\/strong> wie VGG-16, Inception<\/strong>, EfficientNet <\/strong>auf bekannten Datenbanken wie ImageNet<\/strong>, CIFAR-10<\/strong>, MNIST<\/strong>, usw. ben\u00f6tigt wird.\n\nDie Grafikprozessoren, die von Deep Learning-Bibliotheken<\/strong> am besten unterst\u00fctzt werden, sind Grafikprozessoren der Marke NVidia. Es wird nicht empfohlen, einen AMD-GPU f\u00fcr Deep Learning zu verwenden, da die Bibliotheken TensorFlow<\/a> und PyTorch<\/a> keine native Unterst\u00fctzung <\/strong>f\u00fcr GPUs dieser Marke bieten.\n

Wie kann man einen Kurs in Data Science und Machine Learning absolvieren?<\/h2>\nUm zu lernen, wie Du die F\u00e4higkeiten von Grafikprozessoren f\u00fcr die Datenverarbeitung nutzen kannst, kannst Du Dich bei Liora<\/strong> anmelden. Unsere Ausbildungen zum Data Analyst, Data Scientist und Data Engineer<\/a> enthalten Module, die sich dem Machine Learning und der Data Science widmen.\n\nDie anderen Module dieser Ausbildungen decken Big Data<\/strong>, Datenbanken<\/strong>, Python-Programmierung<\/strong>, Dataviz <\/strong>oder Business Intelligence ab. Nach Abschluss dieser Kurse verf\u00fcgst du \u00fcber alle erforderlichen F\u00e4higkeiten, um einen der Berufe im Bereich Data Science auszu\u00fcben.\n\nUnser innovativer Blended Learning-Ansatz<\/strong> kombiniert das Lernen auf einer Online-Plattform mit kollektiven Masterclasses. Alle Schulungen werden vollst\u00e4ndig als Fernunterricht durchgef\u00fchrt.\n\nJe nach Deiner Situation kannst Du zwischen einer Weiterbildung<\/strong> und dem Modus Intensiv-BootCamp<\/strong> w\u00e4hlen. Von unseren Alumni haben 80 % unmittelbar nach Abschluss des Kurses einen Job gefunden.\n\nZur Finanzierung: Unsere Kurse sind im Rahmen des Pers\u00f6nlichen Ausbildungskontos f\u00f6rderf\u00e4hig. Warte nicht l\u00e4nger und entdecke die Programme von Liora<\/strong>!\n\n\n
Data Science Ausbildungen<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"

Eine GPU oder \u201eGraphics Processing Unit\u201c ist die Komponente eines Computers, die die Darstellung von Bildern auf dem Bildschirm erm\u00f6glicht. Es handelt sich dabei um die Grafikverarbeitungseinheit.<\/p>\n","protected":false},"author":47,"featured_media":170779,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-170778","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/170778","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=170778"}],"version-history":[{"count":3,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/170778\/revisions"}],"predecessor-version":[{"id":216400,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/170778\/revisions\/216400"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/170779"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=170778"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=170778"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}