这部关于GPU（图形处理器）的视频教程是Udacity公开课最新推出的一部线上课程，有两个讲师。其中，John Ownes是UC Davis大学电子与计算机工程学院的副教授，在学校带领一群优秀的研究生探索图形处理器（GPU）计算前沿。另一位讲师叫Dave Luebke，是NVIDA的高级研究主管，在NVIDIA研究三维图。他与John Ownes及另外一些人一起致力于扩展GPU的应用范围已经有很多年了。
    本期课程是Udacity公开课 课程7.2：动态并行。由史蒂文.琼斯主讲。史蒂文.琼斯是NVIDIA公司CUDA组的高级工程师之一。（并非我们通常理解高工那种职称，这里指真本领有实力）他的工作是处理他们想到的CUDA编程模型。他必须弄清楚我们应该还是不应该把什么东西添加到其中。一理我们决定添加什么，就要在幕后完成实际的工程工作来支持我们新添加的东西。这一课程的近期，史蒂文.琼斯进行的是动态并行计算。这听起来很简单，实际也很简单。比如，我们已经学了遵循某种代码处理器模型，其中GPU完全在CPU的控制下。可以想一下，CPU可以为自己创建线程，而在GPU上却不能这样。能不能让它可以同步等待直到GPU完成工作。这听起来简单，但这个额外的小功能允许在GPU上解决所有新类型的问题。本期课就为大家介绍几种实现这一功能的方法。
    并行计算科学中主要研究的是空间上的并行问题。从程序和算法设计人员的角度来看，并行计算又可分为数据并行和任务并行。一般来说，因为数据并行主要是将一个大任务化解成相同的各个子任务，比任务并行要容易处理。
    空间上的并行导致了两类并行机的产生，按照Flynn的说法分为：单指令流多数据流（SIMD）和多指令流多数据流（MIMD）。我们常用的串行机也叫做单指令流单数据流（SISD）。MIMD类的机器又可分为以下常见的五类：并行向量处理机（PVP）、对称多处理机（SMP）、大规模并行处理机（MPP）、工作站机群（COW）、分布式共享存储处理机（DSM）。
    图形处理器（英语：Graphics Processing Unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。
    GPU的结构决定了它的数学运算能力巨大,但 分支控制性能低下。它要求在每个计算单元中执行完全相同的操作,因此,只适合执行可以大量并行化的运算。另外,目前GPU硬件是专为单精度浮点运算设计的,执行双精度运算性能会降低一个数量级,对运算精度要求高的场合暂时还不宜使用GPU。所以,GPU目前还不能取代CPU。 因此,GPU大规模并行通用计算的理想运用模式是:用CPU控制主要的流程,将问题分解,把需要大量并行处理的计算密集型任务放到GPU上处理。另外,研究传统问题的新算法,使之适于并行计算也是一大发展方向。