典型計算元素特性

現有的計算元素（或處理器）具有不同的特性，這影響它們處理效率。下圖顯示了不同計算元素的處理效率與應用程序的處理特性（例如順序與并行）的關系圖。每個計算元素都有不同的特征來提高其效率和性能。這些特性從更通用到更特定的解決方案有所不同，由這些不同/可選的特征集定義。

現有處理器的計算特性

中央處理器（CPU）中央處理器是最流行的存儲程序架構的處理器（計算元素）。程序被描述為一系列指令，所以通常每個指令會逐步執行操作。由于這種逐步執行，CPU通常適用于任何順序操作的組合。另一方面，基本CPU不適合并行操作。為了解決這個問題，今天的CPU具有幾個附加的可選功能。

?
單指令多數據（SIMD）/向量類型數據純CPU不適合數據并行，因為內部數據路徑帶寬限制。為了解決這個限制，一些CPU具有SIMD或向量擴展，可以在一個指令或操作中處理多個（通常是4到16）數據流。此外，隨著長數據字交易和更大的寄存器文件，與外部資源（如內存）的通信也將得到改善，但在處理大量內容時，仍會出現瓶頸。

? 多核

由于工藝技術趨勢，在合理的功耗下提高單個CPU的性能是困難的。多核是解決這個問題的一種方法。如果應用程序具有多個（分離的）任務，多核將發揮很好的作用，但是如果它具有緊密耦合的內部通信，有時處理器間通信（IPC）將瓶頸操作。

數字信號處理器（DSP）

DSP旨在加速算術操作（加法、減法、乘法、除法），例如乘積累加操作。

數據壓縮/解壓縮、數字濾波、控制、識別等都包括在內，這些算法大量使用乘積累加計算（MAC），這使得DSP能夠高速管理這些過程。

圖形處理單元通用計算（GPGPU）

GPGPU是一種將GPU的計算資源應用于圖像處理之外目的的技術。圖形處理單元（GPU）具有成千上萬的算術核心（著色器單元），并通過并行重復簡單的數值計算來實現圖像處理的高速執行。利用這一特性，可以以高速執行類似圖像處理的處理，其中包括人工智能（AI），如機器學習和神經網絡、虛擬貨幣挖礦、科技研究中的數值計算和模擬以及流體計算。

要利用GPGPU，需要不同于通用處理器的編程開發環境。為了充分利用它，需要適合該架構的編程技術，編程開發環境例如NVIDIA的“CUDA”（統一設備架構）、Microsoft的“Direct Compute”和Khronos Group的“OpenCL”等。

專用加速器（例如ISP， xNN）

專用加速器基于為特定應用定制的體系結構。例如，數據流和存儲器遵循專用方案。加速器甚至可以提供定制邏輯，形成高度專業化的計算元素。這種專門化極大地增加了計算效率和性能，但以犧牲通用性為代價。使用專用加速器可能需要專用和/或專有編程，甚至需要專用工具和框架。