gpu负载与cpu性能有关吗

没有，cpu和gpu担任不同的工作，gpu负载跟cpu性能无关，只在某些特定环节（比如渲染3D动画的某些情况下）可以使CPU承担一部分GPU本该担任的工作。
但是，某些程序要求CPU的运算能力要与GPU运算能力达到一定比例上的配合（例如大部分大型游戏），如果达不到（例如你的配置……），CPU运算能力过低，则会使程序运行出现故障（游戏时钟出现拉伸现象），或者运行时放弃一部分GPU能力（游戏帧数降低）。第二种情况下，GPU负载会因为CPU性能过低而降低。
此时出现的问题就是CPU负载高，GPU负载不足。
不过你是看高清……所以不是这种问题，只是因为高清硬解软主要考验的是CPU性能。
GTX650的话，建议至少用i3
3220等级的cpu带吧。

选择GPU服务器时首先要考虑业务需求来选择适合的GPU型号。在HPC高性能计算中还需要根据精度来选择，比如有的高性能计算需要双精度，这时如果使用P40或者P4就不合适，只能使用V100或者P100；同时也会对显存容量有要求，比如石油或石化勘探类的计算应用对显存要求比较高；还有些对总线标准有要求，因此选择GPU型号要先看业务需求。

GPU服务器人工智能领域的应用也比较多。在教学场景中，对GPU虚拟化的要求比较高。根据课堂人数，一个老师可能需要将GPU服务器虚拟出30甚至60个虚拟GPU，因此批量Training对GPU要求比较高，通常用V100做GPU的训练。模型训练完之后需要进行推理，因此推理一般会使用P4或者T4，少部分情况也会用V100。

综上所述，选择服务器时不仅需要考虑业务需求，还要考虑性能指标，比如精度、显存类型、显存容量以及功耗等，同时也会有一些服务器是需要水冷、降噪或者对温度、移动性等等方面有特殊的要求，就需要特殊定制的服务器。

欢迎了解更多：网页链接

CPU和GPU之所以大不相同，是由于其设计目标的不同，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1、来自nVidia CUDA文档。其中绿色的是计算单元，橙红色的是存储单元，橙**的是控制单元。2、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3、Cache, local memory： CPU，GPU，Threads(线程数): GPU，CPU，Registers: GPU > CPU 多寄存器可以支持非常多的Thread,thread需要用到register,thread数目大，register也必须得跟着很大才行，SIMD Unit(单指令多数据流,以同步方式，在同一时间内执行同一条指令): GPU，CPU。CPU 基于低延时的设计1、CPU有强大的ALU（算术运算单元）,它可以在很少的时钟周期内完成算术计算，当今的CPU可以达到64bit 双精度。执行双精度浮点源算的加法和乘法只需要1～3个时钟周期，CPU的时钟周期的频率是非常高的，达到1532～3gigahertz(千兆HZ, 10的9次方)。2、大的缓存也可以降低延时。保存很多的数据放在缓存里面，当需要访问的这些数据，只要在之前访问过的，如今直接在缓存里面取即可，复杂的逻辑控制单元。当程序含有多个分支的时候，它通过提供分支预测的能力来降低延时。3、数据转发。 当一些指令依赖前面的指令结果时，数据转发的逻辑控制单元决定这些指令在pipeline中的位置并且尽可能快的转发一个指令的结果给后续的指令。这些动作需要很多的对比电路单元和转发电路单元。什么类型的程序适合在GPU上运行1、计算密集型的程序。所谓计算密集型(Compute-intensive)的程序，就是其大部分运行时间花在了寄存器运算上，寄存器的速度和处理器的速度相当，从寄存器读写数据几乎没有延时。可以做一下对比，读内存的延迟大概是几百个时钟周期；读硬盘的速度就不说了，即便是SSD, 也实在是太慢了。2、易于并行的程序。GPU其实是一种SIMD(Single Instruction Multiple Data)架构， 他有成百上千个核，每一个核在同一时间最好能做同样的事情。

---