深入解析1650Ti算力：性能基准测试与优化实践

1次阅读

没有评论

共计 1509 个字符，预计需要花费 4 分钟才能阅读完成。

用 SPECviewperf 13 和 CUDA-Z 2.10 实测 1650Ti 移动版（Turing 架构）数据：

FP32 算力 ：2.9 TFLOPS（比 1660Ti 移动版低 37%）
INT8 算力 ：11.6 TOPS（无 Tensor Core 需模拟量化）
显存带宽 ：192GB/s（GDDR6 对比 1660Ti 的 288GB/s）

对比同代移动端 GPU 表现：

MX450：FP32 仅 1.6 TFLOPS
RTX2060：FP32 可达 4.2 TFLOPS（含 Tensor Core）

1650Ti 的 1024 个 CUDA 核心采用 Turing 架构的 SM 单元设计：

每个 SM 包含 64 个 FP32 核心
支持并发执行 FP32+INT32 操作
但缺少 RT Core 和 Tensor Core

显存管理要点：

4GB GDDR6 实际可用约 3.5GB（系统保留部分）
128-bit 位宽导致带宽成为主要瓶颈

# 启用自动混合精度
from torch.cuda.amp import autocast, GradScaler
scaler = GradScaler()  # 自动梯度缩放

with autocast():
    outputs = model(inputs)
    loss = criterion(outputs, labels)

scaler.scale(loss).backward()  # 缩放梯度
scaler.step(optimizer)  # 反向缩放参数
scaler.update()  # 调整缩放因子

关键参数说明：

init_scale=65536.0：初始缩放因子
growth_interval=2000：无溢出时增大因子

__global__ void matrixMul(float *C, float *A, float *B, int N) {__shared__ float sA[32][32];  // 使用共享内存
    __shared__ float sB[32][32];

    int bx = blockIdx.x, by = blockIdx.y;
    int tx = threadIdx.x, ty = threadIdx.y;

    // 从全局内存加载数据到共享内存
    sA[ty][tx] = A[(by * 32 + ty) * N + (bx * 32 + tx)];
    sB[ty][tx] = B[(by * 32 + ty) * N + (bx * 32 + tx)];
    __syncthreads();

    // 计算块内结果
    float sum = 0;
    for (int k = 0; k < 32; ++k)
        sum += sA[ty][k] * sB[k][tx];

    C[(by * 32 + ty) * N + (bx * 32 + tx)] = sum;
}