[人工智能]深度学习GPU显卡的浮点计算性能指标分析

GPU的计算能力的衡量指标

1. 显存大小
2. CUDA核心数
3. 计算主频

描述GPU计算能力的指标：

1. 计算峰值
   2 . 存储器带宽

其中最为重要的就是GPU的计算峰值，这个在我们进行边缘计算的时候，更加重要。

GPU设备的单精度计算能力的理论峰值计算公式：

单精度计算能力的峰值 = 单核单周期计算次数 × 处理核个数 × 主频

以GTX680为例， 单核一个时钟周期单精度计算次数为两次，处理核个数 为1536， 主频为1006MHZ，那他的计算能力的峰值P ：

P = 1536 * 1006 * 2 = 3.09TFLOPS

这里1MHZ = 1000000HZ， 1T为1兆，也就是说，GTX680每秒可以进行超过3兆次的单精度运算。

各种FLOPS的含义，FLOPS是每秒所执行的浮点运算次数,也就是GPU计算的基本单位：

MFLOPS (megaFLOPS)：每秒一百万 (=10^6) 次的浮点运算

GFLOPS (gigaFLOPS) ：每秒十亿 (=10^9) 次的浮点运算

TFLOPS (teraFLOPS) ：每秒一万亿 (=10^12) 次的浮点运算

PFLOPS (petaFLOPS) ：每秒一千万亿 (=10^15) 次的浮点运算

GPU计算浮点数的理论峰值 ＝ GPU芯片数量＊GPU Boost主频＊核心数量＊单个时钟周期内能处理的浮点计算次数

同时对于Tesla系列的显卡，支持双精度的内核，进行运算，计算公

开通VIP 解锁文章