0
点赞
收藏
分享

微信扫一扫

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息


类似于Windows下使用CPU-Z工具查看CPU信息,Linux下也可以使用CUDA-Z工具来查看显卡资源/支持信息。

CUDA-Z运行需要主机首先已经安装CUDA和N卡驱动为前提,具体步骤可参考博客:


之后便可以开始下面的步骤:

下载cuda-z

cuda-z在sourceforge上开源,主页地址:​​CUDA-Z​​

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_CUDA

根据主页提示进入下载页:

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_深度学习_02

下载后得到文件CUDA-Z-0.10.251-64bit.run

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_tensorflow_03

 运行:

CUDA-Z-0.10.251-64bit.run是个绿色程序,添加可执行属性后直接运行即可,界面如下:

核心信息:

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_CUDA_04

 显存信息:

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_pytorch_05

算力信息,1TFLOPS=1000GFLOPS,所以这里单精度浮点算力为1.2TFLOPS左右。

Single Precision Float

1192.48 Gflop/s

Double Precision Float

20.6227 Gflop/s

64-Bit Integer

23.0647 Giop/s

32-Bit Integer

398.375 Giop/s

24-Bit Integer

289.689 Giop/s

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_tensorflow_06

GPU算力特点,和CPU相比的不同:

CPU除了负责浮点整形运算外,还有很多其他的指令集的负载,比如像多媒体解码,硬件解码等,因此CPU是多才多艺的。CPU注重的是单线程的性能,要保证指令流不中断,需要消耗更多的晶体管和能耗用在控制部分,于是CPU分配在浮点计算的功耗就会变少。

GPU基本上只做浮点运算的,设计结构简单,也就可以做的更快。GPU注重的是吞吐量,单指令能驱动更多的计算,相比较GPU消耗在控制部分的能耗就比较少,因此可以把电省下来的资源给浮点计算使用。

工具信息:

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_浮点_07

Windows下的GPU-Z

Windows下还有另外一款GPU分析工具叫做GPU-Z,估计是模仿CPU-Z起的名字,GPUZ不但可以分析N卡,还能对其它厂家的显卡比如英特尔的集成显卡进行分析,从下拉列表中选择你想获取信息的显卡,界面将会自动刷新。

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_CUDA_08

 N卡信息:

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_pytorch_09

 英特尔显卡:

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_tensorflow_10

从对CUDA的支持可以看出两类显卡的一个明显差异。

再来看一个AMD的显卡,可以看到不支持CUDA,不支持光追。

cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息_pytorch_11

对比可以发现,AMD的显卡全面优于INTEL的集成显卡。

结束!

举报

相关推荐

0 条评论