🧠 Análisis de Rendimiento CPU vs GPU con Python

GPU vs CPU Performance Analyzer 🚀

Una aplicación de análisis de rendimiento que compara el poder computacional entre GPU y CPU utilizando operaciones de multiplicación de matrices. Esta herramienta proporciona métricas detalladas de rendimiento, visualizaciones en tiempo real y análisis comparativo para evaluar la eficiencia de ambos procesadores. La herramienta proporciona métricas detalladas, visualizaciones en tiempo real y análisis comparativo para evaluar la eficiencia de ambos procesadores. Desarrollar este tipo de experimentos forma parte de mi formación profesional y también de un interés personal por comprender a fondo el impacto que tiene la computación acelerada en tareas analíticas complejas.

✨ Características Principales

🎯 Comparación de Rendimiento

• Medición precisa de tiempos de ejecución CPU vs GPU
• Cálculo de factor de aceleración (speedup) en tiempo real
• Métricas GFLOPS para evaluar el rendimiento computacional
• Monitoreo de utilización de recursos del sistema

📊 Visualización Avanzada

• Gráficos en tiempo real con cuatro paneles informativos:
  • Comparación de tiempos de ejecución
  • Factor de aceleración GPU vs CPU
  • Rendimiento computacional (GFLOPS)
  • Utilización de recursos del sistema

⚙️ Configuración Flexible

• Tamaño de matriz configurable (1000x1000 hasta 5000x5000)
• Número de iteraciones ajustable (1-10 repeticiones)
• Historial de pruebas con opción de limpieza
• Detección automática de hardware GPU

🔧 Cómo Funciona

La aplicación cuenta con una interfaz gráfica moderna y funcional que muestra:

• Panel de control con parámetros configurables
• Información del hardware detectado
• Resultados de rendimiento en tiempo real
• Cuatro gráficos interactivos para análisis visual

Principio de Funcionamiento

La aplicación utiliza multiplicación de matrices como benchmark para comparar el rendimiento entre CPU y GPU. Este tipo de operación es ideal para la comparación porque:

1. Paralelización masiva: Las GPUs están optimizadas para operaciones paralelas
2. Carga computacional intensiva: Permite medir diferencias significativas de rendimiento
3. Operaciones floating-point: Evalúa la capacidad de cálculo científico

Proceso de Comparación

1. Generación de Matrices → Creación de matrices aleatorias NxN
2. Prueba CPU → Ejecución secuencial en procesador principal
3. Prueba GPU → Ejecución paralela en tarjeta gráfica
4. Análisis de Resultados → Cálculo de métricas y speedup
5. Visualización → Actualización de gráficos en tiempo real

Algoritmo de Benchmark

La aplicación ejecuta las siguientes operaciones:

• Matriz A: Matriz aleatoria de dimensiones N×N
• Matriz B: Matriz aleatoria de dimensiones N×N
• Operación: C = A × B (multiplicación matricial)
• Medición: Tiempo promedio de múltiples iteraciones

🚀 Instalación y Uso

Requisitos Previos

pip install tensorflow
pip install customtkinter
pip install matplotlib
pip install psutil
pip install numpy

Ejecución

python "GPU vs CPU 5.py"

Configuración de Parámetros

1. Ajustar tamaño de matriz: Utiliza el slider o ingresa el valor directamente
2. Establecer iteraciones: Define el número de repeticiones para mayor precisión
3. Ejecutar prueba: Presiona "Ejecutar prueba" para iniciar el benchmark
4. Visualizar resultados: Los gráficos se actualizan automáticamente

📈 Métricas de Rendimiento

Indicadores Principales

• Tiempo de Ejecución: Medición en segundos con desviación estándar
• Factor de Aceleración: Ratio de velocidad GPU/CPU (ej: 15.6x más rápido)
• GFLOPS: Giga-operaciones de punto flotante por segundo
• Utilización: Porcentaje de uso de recursos del sistema

Interpretación de Resultados

Métrica	Descripción	Valor Ideal
Speedup	Aceleración GPU vs CPU	> 10x
CPU GFLOPS	Rendimiento procesador	50-200 GFLOPS
GPU GFLOPS	Rendimiento tarjeta gráfica	1000-5000+ GFLOPS
Utilización	Eficiencia de recursos	80-95%

🛠️ Detalles Técnicos

Arquitectura del Software

• Framework GUI: CustomTkinter (tema oscuro moderno)
• Backend Computacional: TensorFlow 2.x
• Visualización: Matplotlib con backend TkAgg
• Monitoreo Sistema: PSUtil para métricas de hardware
• Threading: Ejecución asíncrona para UI responsiva

Implementación de Benchmark

# Configuración de dispositivos
with tf.device('/CPU:0'):  # Forzar ejecución en CPU
    result_cpu = tf.matmul(matrix_a, matrix_b)

with tf.device('/GPU:0'):  # Forzar ejecución en GPU  
    result_gpu = tf.matmul(matrix_a, matrix_b)

Cálculo de Métricas

• Operaciones por matriz: 2 × N³ (aproximación para multiplicación matricial)
• GFLOPS: Operaciones / (Tiempo × 10⁹)
• Speedup: Tiempo_CPU / Tiempo_GPU
• Utilización CPU: Medición con psutil.cpu_percent()

Compatibilidad de Hardware

• CPU: Cualquier procesador x86/x64
• GPU: NVIDIA con soporte CUDA (compute capability ≥ 3.5)
• RAM: Mínimo 4GB (recomendado 8GB+)
• SO: Windows, Linux, macOS

Limitaciones Conocidas

• La aplicación requiere TensorFlow con soporte GPU para aprovechar la aceleración
• Matrices muy grandes pueden causar errores de memoria insuficiente
• La medición de utilización GPU es aproximada (valor fijo del 95%)

📝 Licencia

Este proyecto está licenciado bajo la Licencia GNU.

---