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。
    本期课程是第四单元5.0——GPU优化程序。由Dave Luebke老师讲解。现在我们想要使用一个并行平台，像GPU的全部原因就是更快地解决问题。反过来我们可能想要更愉地解决问题的原因，可能只是因为我们想更快地解决问题；或更多的时候，是因为我们想要解决更大的问题，更多的问题。所以好消息是常常是这种情况，问题的第一次初始移植，获得加速，假设你以一个并行问题开始。以老师的经验，这实际上是让许多GPU程序员着迷的时刻。你懂的，哪怕是周末回家，他们也尝试把现在CPU代码的某些部分移植到GPU，然后他们得到不错的加速，5倍或8倍的加速。这就是让他们着迷的东西，也使他们意识到他们可以多花一些精力于此，以获得更大的加速。
    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。