渲染 有两种 时时渲染，和最终渲染
显卡的工作，换句话说 显卡的职责，显卡最初的设计理论，当初为什么要设计，发明显卡 是为了解决3D时时加速的。 在当时的应用就是游戏，和3D应用。显卡的工作就是多边形生成和纹理贴图。
在3DMAX中间 4个透视窗口中我们建立模型是依靠显卡GPU进行运算的，时时计算3D加速 支持OPENGL或者D3D 这些都是时时渲染加速，不支持复杂的光照运算。
之所以显卡不支持复杂光照运算是由于显卡的构造而决定了。
我举个例子 画笔和图案印章 。同样画图 很显然图案印章的效率明显比画笔快，压以下一个图案，但是印章的局限就是图案简单，也就是说它只能画出GPU本身所支持的算发，也就是几个简单的加减乘除，和函数计算（GPU只继承了这些算法） GPU就是图案印章。
画笔 我不说你也应该知道它就是CPU了 虽然画画速度慢 但是他想画什么就能画什么，只要软件支持。因为CPU的指令集非常丰富，能进行软件所支持的任何计算，无论是加减乘除还是复杂的函数运算，根号运算都支持。 而这个就是渲染最终效果图所需要的。
即使现在的游戏，光影都是由CPU负责的， 显卡的工作就是多边形生成 和文理贴图， 不具备光影处理能力。 现在的游戏中 光影都是假光影，物体的反射都是材质贴图，也就是说镜子所反射的不是周围的物体 而是制作了一个周围物体的贴图给了镜子。
从D3D9以后 显卡能够多一点的分担CPU的负担 集成的更多的指令集和函数流水线，但是他毕竟是用来加速时时3D的 所以流处理器的个数才是最重要的。1个流处理器就是一个CPU 只不过指令集和功能比CPU少的可怜。
无论是专业显卡还是中等的图形工作站 显卡都不参与效果图渲染。
即使以后显卡能够渲染效果图了，我们也不会使用显卡渲染 因为CPU体积比显卡小多了，大型服务器 超级计算机 图形渲染集群都是成千上万的CPU组成的 一般一部服务器 安装了500 600个CPU，如果换成显卡，那体积不得了。而且用途也不广泛，CPU是万能的。
专业显卡和游戏显卡 本身没有区别，也就是说显卡硬件GPU没有区别。区别在于驱动。在GPU中间有一个OPENGL硬件开关，出厂的时候就已经设定好的，NV显卡无法修改ATI显卡可以破解。 游戏显卡注重速度，而不注重质量，只对D3D支持和基础OPENGL 不支持专业OPENGL
专业显卡注重质量，抗锯齿模式丰富，并且支持线框抗锯齿。游戏中，只有物体边缘有矩尺，而专业做图，由于线筐多，一个屏幕复杂的要几万条线条，所以抗矩尺很重要
和游戏显卡不同 专业显卡对于3D模型的内部显示做优化，游戏中的汽车，只显示汽车外表，而专业作图不仅显示外表 还要显示汽车内部结构。显示的内容都是不一样的
所有都是原创 非抄袭
3DS MAX渲染速度取决于cpu和内存。
在3DSmax渲染出图的时候，cpu和内存的占用率100%的，而显卡的占用率就只有10%到20%左右的由此证明渲染出图的速度跟显卡没有关系。
3DSmax的出图速度既然与cpu有直接关系，那就cpu的选择很重要，理论上cpu的核心数越多速度越快，当然也要看cpu的主频高低，比如i7的5820k是6核12线程，主频33hz睿频以后最高为39hz相比i78700K6核12线程主频37hz睿频以后最高为47hz慢很多。
速度与内存也有很大的关系，内存频率越高，速度越快，选择大内寸也很重要，现在做效果图的主机一般都是ddr4 3000hz 16g的内存条。
扩展资料
以3ds Max的图形制作用电脑为例，其作用包括三个阶段：第一阶段是建立模型，第二阶段是光源材质，第三阶段是渲染。这三个阶段对工作站的子系统的要求侧重点各不相同，在3ds Max里面，对硬件的要求也主要集中在这三个方面。
渲染阶段需要把模型或者场景输出成图像文件、视频信号或者胶片，就必须经过渲染。这个 *** 作对CPU核心数量极为敏感，多核心等特性对性能提升巨大，此外也对内存、硬盘响应速度的要求也比较高。
认为3D渲染和显卡有关，觉得渲染时间的多少取决于显卡的好坏，其实这是错误的。
但实际情况是现在主流的三维软件渲染器，升级CPU就够了，预渲染时和显卡好坏没有区别。渲染三维和玩电脑游戏是不同的，升级显卡只影响即时演算的速度而已，也就是视图的 *** 作速度，做三维最终渲染速度几乎只靠CPU。
在渲染时它会瞬间爆满所有内存和CPU的，当然配置越好的电脑处理的越快。
3D渲染速度影响最大的是CPU，选择多核心的CPU对渲染速度提高极大，尽量用双核甚至四核芯的CPU，至于内存，目前装机市场最低也都是4G的，足够了。至于显卡，除非用专业卡，否则一般中低端的显卡就可以了。2D软件道理也是一样的，图形的处理速度也完全取决于CPU。后期软件在渲出片的时候，也是靠CPU计算，但由于后期制作的素材较多，内存要尽量大。
1、传统CPU运算渲染软件：如Vary、Randerin、Podium和新近出现的强势照片级渲染器Maxwell等，它们都是利用CPU进行渲染的软件，而且几乎所有的CPU渲染软件都能对CPU的多线程实现良好支持，也就是说，核心、线程数量越多，渲染的效率越高，而且，同样频率和缓存的核心，数量多一倍，渲染速度也几乎快一倍。
2、支持Nvidia的“CUDA”并行运算技术的渲染软件：Octane、Iray、Quicksilver等，它们对CPU的依赖大大降低，在Octane中，GPU甚至占到了大头，在GPU渲染软件中，显卡的流处理器数量决定了渲染效率的高低。
CPU占用率在70%左右。gpu渲染CPU占用率在70%左右，越高的需要高性能的GPU服务器才可以完成渲染了可以试试GPUCAT的服务器，高性能，实时计算和渲染cpu占用率60%左右。
关于GPU的并行计算，我们从三点进行简单的阐述。
一：什么是GPU
很久以前，大概2000年那时候，显卡还被叫做图形加速卡。一般叫做加速卡的都不是什么核心组件，和现在苹果使用的M7协处理器地位差不多。这种东西就是有了更好，没有也不是不行，只要有个基本的图形输出就可以接显示器了。在那之前，只有一些高端工作站和家用 游戏 机上才能见到这种单独的图形处理器。
后来随着PC的普及， 游戏 的发展和Windows这样的市场霸主出现，简化了图形硬件厂商的工作量，图形处理器，或者说显卡才逐渐普及起来。
GPU有非常多的厂商都生产，和CPU一样，生产的厂商比较多，但大家熟悉的却只有3个，以至于大家以为GPU只有AMD、NVIDIA、Intel3个生产厂商。
nVidia GPU
AMD GPU
Intel MIC协处理器
nVidia Tegra 4
AMD ARM服务器
CUDA C/C++
CUDA fortran
OpenCL
MIC OpenMP
CUDA
二：GPU与CPU的区别
想要理解GPU与CPU的区别，需要先明白GPU被设计用来做什么。现代的GPU功能涵盖了图形显示的方方面面，我们只取一个最简单的方向作为例子。
大家可能都见过上面这张图，这是老版本Direct X带的一项测试，就是一个旋转的立方体。显示出一个这样的立方体要经过好多步骤，我们先考虑简单的，想象一下他是个线框，没有侧面的“X”图像。再简化一点，连线都没有，就是八个点（立方体有八个顶点的）。那么问题就简化成如何让这八个点转起来。
首先，你在创造这个立方体的时候，肯定有八个顶点的坐标，坐标都是用向量表示的，因而至少也是个三维向量。然后“旋转”这个变换，在线性代数里面是用一个矩阵来表示的。向量旋转，是用向量乘以这个矩阵。把这八个点转一下，就是进行八次向量与矩阵的乘法而已。
这种计算并不复杂，拆开来看无非就是几次乘积加一起，就是计算量比较大。八个点就要算八次，2000个点就要算2000次。这就是GPU工作的一部分，顶点变换，这也是最简单的一部分。剩下还有一大堆比这更麻烦的就不说了。
总而言之，CPU和GPU因为最初用来处理的任务就不同，所以设计上有不小的区别。它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。
于是CPU和GPU就呈现出非常不同的架构（示意图）：
CPU与GPU区别大揭秘
GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache。而CPU不仅被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是CPU很小的一部分。
而GPU的工作大部分就是这样，计算量大，但没什么技术含量，而且要重复很多很多次。就像你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分，反正这些计算也没什么技术含量，纯粹体力活而已。
而CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个？GPU就是这样，用很多简单的计算单元去完成大量的计算任务，纯粹的人海战术。这种策略基于一个前提，就是小学生A和小学生B的工作没有什么依赖性，是互相独立的。
很多涉及到大量计算的问题基本都有这种特性，比如你说的破解密码，挖矿和很多图形学的计算。这些计算可以分解为多个相同的简单小任务，每个任务就可以分给一个小学生去做。
但还有一些任务涉及到“流”的问题。比如你去相亲，双方看着顺眼才能继续发展。总不能你这边还没见面呢，那边找人把证都给领了。这种比较复杂的问题都是CPU来做的。
而某些任务和GPU最初用来解决的问题比较相似，所以用GPU来算了。GPU的运算速度取决于雇了多少小学生，CPU的运算速度取决于请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的，但是对于没那么复杂的任务，还是顶不住人多。当然现在的GPU也能做一些稍微复杂的工作了，相当于升级成初中生高中生的水平。但还需要CPU来把数据喂到嘴边才能开始干活，究竟还是靠CPU来管的。
三：并行计算
首先我们说一下并行计算的概念，它是一种类型的计算，它的许多计算或执行过程是同时进行的。将大问题可以分成较小的问题，然后可以同时解决。可以同CPU或主机进行协同处理，拥有自己的内存，甚至可以同时开启1000个线程。
采用GPU进行计算时与CPU主要进行以下交互：
先说明一下，一般来说同一时刻一个CPU或GPU计算核心上（就是我们通常所说的“核”）只能够进行一个运算，在超线程技术中，一个计算核心在同一时刻可能进行多个计算（比如对于双核四线程的CPU，在不发生资源冲突的情况下，每个计算核心可能同时进行两个计算），但超线程通常只是使逻辑计算核心翻倍。
我们平时看到自己使用的CPU可以同时运行几十个程序，实际上，从微观角度来说，这几十个程序在一定程度上仍然是串行的，比如在四核四线程CPU上，同一时刻只能够进行4个运算，这几十个程序便只能在四个计算核心上轮换执行，只是由于切换速度很快，在宏观上表现出的就是这些程序在“同时”运行。
GPU最突出的特点就是：计算核心多。
CPU的计算核心一般只有四个、八个，一般不超过两位数，而用于科学计算的GPU的计算核心可能上千个。正由于计算核心数量的巨大优势，GPU在同一时刻能够进行的计算的数量远远地把CPU比了下去。
这时候，对于那些可以并行进行的计算，利用GPU的优势就能够极大地提高效率。这里解释一下任务的串行计算和并行计算。串行计算通俗来说就是先计算完一个之后再计算下一个，并行计算则是同时并行的计算若干个。比如计算实数a与向量B=[1 2 3 4]的乘积，串行计算就是先计算aB[1]，再计算aB[2]，然后计算aB[3]，最后计算aB[4]，从而得到aB的结果，并行计算就是同时计算aB[1]、aB[2]、aB[3]和aB[4]，得到aB的结果。
如果只有一个计算核心，四个计算任务是不可能并行执行的，只能够一个一个地串行计算，但如果有四个计算核心，则可以把四个独立的计算任务分到四个核上并行执行，这便是并行计算的优势所在。正因如此，GPU的计算核心多，能够进行并行计算的规模便非常大，对于一些能够通过并行计算解决的计算问题便表现出了优于CPU的性能。
比如破译密码，将任务分解成可以独立执行的若干份，每一份分配在一个GPU核心上，便可以同时执行多份破译任务，从而加快破译速度。
但并行计算不是万能的，它需要一个前提：问题可以分解为能够并行执行的若干个部分。很多问题不满足这个条件，比如一个问题有两步，而第二步的计算依赖于第一步的结果，此时，这两部分便不能并行的执行，只能够串行地依次执行。实际上，我们平时的计算任务常常有复杂的依赖关系，很多重要的计算任务并不能够并行化。这是GPU的一个劣势。
关于GPU编程方面主要有以下方法：
由于不是编程科班出身，这里就不多加介绍了，有兴趣的朋友可以自行找资料。关于GPU的并行计算，就说这么多，有更深了解的朋友欢迎来沟通。
1、软件方面导致的CPU使用率高这方面主要涉及到的是系统问题，比如系统过于臃肿，开启过多程序以及电脑中病毒、木马等等都会产生CPU使用率过高，而导致电脑速度慢。
解决办法主要是围绕系统优化，优化开机启动项、尽量避免开启太多程序等等。
2、硬件方面导致的CPU使用率高
其实硬件方面决定着比较大的关系，比如如果电脑还是老爷机，采用最初的单核赛扬级处理器，那么这样的电脑，在多开启几个网页的情况下就容易导致CPU使用率过高，不管你怎么优化系统，这个问题始终无法很好解决，这主要是因为硬件本身过低造成的。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）