Por lo general, las tarjetas gr\u00e1ficas para ordenadores<\/strong> de sobremesa son componentes de gran tama\u00f1o con ventiladores para su refrigeraci\u00f3n. Estas tarjetas contienen el chip de procesamiento gr\u00e1fico<\/strong> y memoria RAM dedicada para las cargas de trabajo gr\u00e1ficas m\u00e1s pesadas, como los videojuegos.<\/p>\n\n\n Es muy f\u00e1cil sustituir una tarjeta gr\u00e1fica en un ordenador de sobremesa. Basta con introducirla en una ranura PCIe x16<\/strong>, conectarla a la fuente de alimentaci\u00f3n e instalar los controladores<\/strong>. Incluso puedes instalar varias GPU en el mismo ordenador.<\/p>\n\n\n Los port\u00e1tiles equipados con GPU dedicadas no tienen el mismo tipo de GPU. Suele tratarse de un simple chip soldado a la placa base<\/strong>. Este tipo de GPU es m\u00e1s complicado, por no decir imposible de sustituir. Es m\u00e1s, son dif\u00edciles de mantener a la temperatura adecuada en condiciones de carga intensiva (por ejemplo, al entrenar un modelo de <\/strong>Deep Learning<\/strong><\/a>) debido a la escasa ventilaci\u00f3n del ordenador. Por este motivo, las GPU de los port\u00e1tiles suelen tener una potencia limitada<\/strong> para mantener la temperatura del ordenador bajo control. Por tanto, no se recomienda invertir en un port\u00e1til para entrenar modelos de Deep Learning.<\/p>\n\n\n Las GPU integradas est\u00e1n incorporadas directamente en el procesador Sin embargo, AMD fabrica procesadores con tarjetas gr\u00e1ficas integradas denominadas Accelerated Processing Unit (APUs).<\/strong><\/p>\n\n\n Asimismo, los chips Intel Core con n\u00famero de modelo que termina en F no tienen GPU. Lo mismo ocurre con las CPU de la gama Core X <\/strong>con n\u00fameros de modelo que terminan en X. Estos procesadores se venden a un precio m\u00e1s bajo.<\/p>\n\n\n\n Los procesadores modernos con GPU integrada<\/strong> pueden ser sorprendentemente potentes. Sin embargo, para un caso de uso tan intenso como la Data Science, es imprescindible contar con una GPU dedicada<\/strong>.<\/p>\n\n\n El t\u00e9rmino GPU fue popularizado por Nvidia en la d\u00e9cada de 1990. Su gama de tarjetas gr\u00e1ficas GeForce fue la primera en popularizarse y permiti\u00f3 la evoluci\u00f3n de tecnolog\u00edas como la aceleraci\u00f3n por hardware<\/strong>, el shading programable<\/strong> o el procesamiento en stream<\/strong>.<\/p>\n\n\n Para un uso b\u00e1sico del ordenador, como navegar por Internet o utilizar programas ofim\u00e1ticos, la funci\u00f3n de una GPU es simplemente mostrar im\u00e1genes en la pantalla.<\/p>\n\n\n Sin embargo, para otros usos, como el gaming o la <\/strong>Data Science<\/strong><\/a>, una GPU ofrece un sinf\u00edn de posibilidades. Por ejemplo, puede utilizarse para la codificaci\u00f3n de v\u00eddeo o el renderizado 3D<\/strong>, e incluso se emplea para entrenar tanto modelos de Deep Learning, como modelos de ensamblaje como LightGBM<\/strong>.<\/p>\n\n\n Los gr\u00e1ficos generados por ordenador, como los utilizados en videojuegos u otros medios animados, requieren una gran cantidad de energ\u00eda para dibujar cada imagen individualmente a una frecuencia de actualizaci\u00f3n que puede ir mucho m\u00e1s all\u00e1 de los 100 fotogramas por segundo.<\/p>\n\n\n Del mismo modo, la edici\u00f3n de v\u00eddeo requiere la edici\u00f3n de grandes vol\u00famenes de archivos de alta definici\u00f3n. Una GPU potente<\/strong> es imprescindible para transcodificar los archivos a una velocidad aceptable.<\/p>\n\n\n Las GPU se dise\u00f1aron originalmente para acelerar el renderizado de gr\u00e1ficos 3D. Con el tiempo, se han hecho m\u00e1s flexibles y programables<\/strong>. Su capacidad se ha ampliado.<\/p>\n\n\n Esto ha permitido a los dise\u00f1adores crear efectos visuales m\u00e1s realistas, utilizando t\u00e9cnicas de luces y sombras. Adem\u00e1s, los desarrolladores han empezado a sacar partido a la potencia de las GPU para acelerar cargas de trabajo<\/strong> en los campos del Deep Learning y la Computaci\u00f3n de Alto Rendimiento<\/strong> (simulaciones f\u00edsicas, compresi\u00f3n de archivos, etc.). Estos son los principales casos de uso de las GPU.<\/p>\n\n\n En el caso de los videojuegos, la GPU se utiliza para mostrar im\u00e1genes de personajes, paisajes u objetos 3D modelados<\/strong> con todo lujo de detalles. Los videojuegos requieren la realizaci\u00f3n de un gran n\u00famero de c\u00e1lculos matem\u00e1ticos en paralelo a la visualizaci\u00f3n de las im\u00e1genes en la pantalla.<\/p>\n\n\n La GPU est\u00e1 dise\u00f1ada espec\u00edficamente para procesar informaci\u00f3n gr\u00e1fica<\/strong> como la geometr\u00eda, el color, el tono o las texturas de una imagen. La RAM<\/strong> tambi\u00e9n permite manejar el gran volumen de informaci\u00f3n que se transmite a la GPU y los datos de v\u00eddeo<\/strong> que se dirigen a la pantalla.<\/p>\n\n\n Todas las instrucciones se transmiten de la CPU a la GPU, que las ejecuta para mostrar las im\u00e1genes en la pantalla. Este proceso se denomina renderizado o canal de gr\u00e1ficos.<\/p>\n\n\n La unidad b\u00e1sica de los gr\u00e1ficos 3D es el pol\u00edgono<\/strong>. Todas las im\u00e1genes que ves en un videojuego se basan en un gran conjunto de pol\u00edgonos.<\/p>\n\n\n Estas formas b\u00e1sicas se denominan \u00abprimitivas<\/strong>\u00ab, del mismo modo que otras l\u00edneas y puntos. Se unen para formar objetos concretos y reconocibles, como una mesa, un \u00e1rbol o un mago. Cuantos m\u00e1s pol\u00edgonos haya, m\u00e1s detalladas ser\u00e1n las im\u00e1genes finales.<\/p>\n\n\n Cada objeto tiene su propio conjunto de coordenadas<\/strong> para que la GPU sepa d\u00f3nde situarlo en una escena. Esta es la raz\u00f3n por la que a veces los objetos se colocan en cualquier lugar de los juegos, como en el caso de un bug.<\/p>\n\n\n A continuaci\u00f3n, la GPU realiza c\u00e1lculos para determinar la posici\u00f3n de la \u201cc\u00e1mara\u201d<\/strong>. Por \u00faltimo, las im\u00e1genes reciben las texturas, sombras y colores que las hacen tan realistas.<\/p>\n\n\n\n Este procesamiento gr\u00e1fico se realiza a la velocidad del rayo. Esto requiere c\u00e1lculos pesados<\/strong>, por lo que es esencial una GPU dedicada de alto rendimiento.<\/p>\n\n\n T\u00e9cnicamente, es posible utilizar una CPU para los gr\u00e1ficos, pero ser\u00e1 menos eficiente y el resultado final no ser\u00e1 tan visualmente impresionante. Este componente ya est\u00e1 ocupado ejecutando el sistema operativo, otros programas y procesos en segundo plano.<\/p>\n\n\n Durante muchos a\u00f1os, los editores de v\u00eddeo<\/strong>, dise\u00f1adores gr\u00e1ficos<\/strong> y otros profesionales creativos se vieron limitados por la lentitud del renderizado.<\/p>\n\n\n Hoy, el procesamiento paralelo que ofrecen las GPU facilita y acelera enormemente el renderizado de v\u00eddeo<\/strong> en formatos de alta definici\u00f3n. Esto acorta los tiempos de producci\u00f3n e iteraci\u00f3n de v\u00eddeo<\/strong>.<\/p>\n\n\n Una GPU est\u00e1 dise\u00f1ada espec\u00edficamente para el procesamiento de gr\u00e1ficos. Esta tarea requiere que se efect\u00faen gran cantidad de c\u00e1lculos matem\u00e1ticos<\/strong> de forma paralela.<\/p>\n\n\n Este enfoque en c\u00e1lculos y operaciones paralelas hace que las GPU sean especialmente adecuadas para el minado de Ethereum y otras criptomonedas<\/strong> derivadas de Ethereum. Los mineros de criptomonedas han recurrido r\u00e1pidamente a estos componentes, abandonando las CPU que son demasiado generalistas y menos eficientes para estos casos.<\/p>\n\n\n La Data Science hace referencia a todos los m\u00e9todos y t\u00e9cnicas utilizados para extraer informaci\u00f3n a partir de datos en bruto<\/strong>. Esta informaci\u00f3n la pueden utilizar algoritmos<\/strong><\/a> de Machine Learning<\/strong> para producir sistemas de inteligencia artificial.<\/p>\n\n\n Esta disciplina requiere una gran capacidad de c\u00e1lculo y las GPU son especialmente adecuadas para ella porque muchas de las operaciones matem\u00e1ticas<\/strong> utilizadas en Machine Learning se pueden paralelizar con facilidad.<\/p>\n\n\n Uno de los usos m\u00e1s recientes e importantes de las GPU es la creaci\u00f3n de <\/strong><\/p>\n\n\n![\"type-gpu-data-science\"](\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/08\/type-gpu-data-science-1024x507.jpg\")
<\/figure>\n\n\n\u00bfPara qu\u00e9 sirve una GPU?<\/h2>\n\n\n
1. Videojuegos<\/h3>\n\n\n
![\"gpu-gaming\"](\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/08\/gpu-gaming-1024x548.jpg\")
<\/figure>\n\n\n2. Edici\u00f3n de v\u00eddeo<\/h3>\n\n\n
3. Criptomoneda<\/h3>\n\n\n
GPU y Data Science<\/h2>\n\n\n
![\"gpu-machine-learning-1\"](\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/08\/gpu-machine-learning-1-1024x451.jpg\")
<\/figure>\n\n\n