堆栈内存溢出
  繁体   English   中英

CPU 中的集成 GPU 是否有通过 PCIe 总线传输数据的开销，就像在 CPU 和专用 GPU 之间传输数据一样？

[英]Do integrated GPUs in CPUs have the overhead of transferring data over the PCIe bus just like transferring data between CPU and dedicated GPU?

 Dawid  2023-01-21 20:13:50  46   1    gpu/ opencl/ cpu/ gpgpu/ pci-e

提示:本站提供中英文对照查看，鼠标放在中文字句上可显示英文原文。 若本文未解决您的问题，推荐您尝试使用帮您解决。

问题描述

CPU 中的集成 GPU 是否有通过 PCIe 总线传输数据的开销，就像在 CPU 和专用 GPU 之间传输数据一样？

我问这个问题是因为我的 OpenCL GPU 加速计算在集成的 GPU Intel(R) Iris(R) Xe Graphics 上的性能优于专用的 NVIDIA T500 GPU 对于非常大的数据集。 我试图向自己解释这一点。 然而，对于小数据，NIVIDA GPU 更快。

性能测试：

N也是线程数！

OpenCL GPU Intel(R) Iris(R) Xe Graphics

性能测试OpenCL加速计算，N100

  1. 处理时间：N = 100 的 0.0016272 秒
  2. 处理时间：N = 100 的 0.0014396 秒
  3. 处理时间：N = 100 的 0.0012167 秒
  4. 处理时间：N = 100 的 0.0017356 秒
  5. 处理时间：N = 100 的 0.0011649 秒

性能测试OpenCL加速计算，N1_000

  1. 处理时间：N = 1000 时 0.0026064 秒
  2. 处理时间：N = 1000 时 0.0023835 秒
  3. 处理时间：N = 1000 时 0.0024709 秒
  4. 处理时间：N = 1000 时 0.002758 秒
  5. 处理时间：N = 1000 时 0.0028464 秒

性能测试OpenCL加速计算，N10_000

  1. 处理时间：N = 10000 的 0.0207773 秒
  2. 处理时间：N = 10000 时 0.0205991 秒
  3. 处理时间：N = 10000 的 0.0204573 秒
  4. 处理时间：N = 10000 时 0.0213179 秒
  5. 处理时间：N = 10000 的 0.0213915 秒

性能测试OpenCL加速计算，N100_000

  1. 处理时间：1.2154342 秒，N = 100000
  2. 处理时间：N = 100000 需要 1.2097847 秒
  3. 处理时间：1.214667 秒，N = 100000
  4. 处理时间：N = 100000 需要 1.2179605 秒
  5. 处理时间：1.2161523 秒，N = 100000

性能测试OpenCL加速计算，N1_000_000

  1. 处理时间：3.0097172 秒，N = 1000000
  2. 处理时间：7.0101114 秒，N = 1000000
  3. 处理时间：3.5101502 秒，N = 1000000
  4. 处理时间：3.0101302 秒，N = 1000000
  5. 处理时间：7.0098925 秒，N = 1000000

OpenCL NVIDIA T500 GPU

性能测试OpenCL加速计算，N100

  1. 处理时间：N = 100 时 0.0008086 秒
  2. 处理时间：N = 100 时 0.0007528 秒
  3. 处理时间：N = 100 的 0.000913 秒
  4. 处理时间：N = 100 时 0.0008781 秒
  5. 处理时间：N = 100 时 0.0007748 秒

性能测试OpenCL加速计算，N1_000

  1. 处理时间：N = 1000 时 0.0009754 秒
  2. 处理时间：N = 1000 时 0.0009548 秒
  3. 处理时间：N = 1000 的 0.0010413 秒
  4. 处理时间：N = 1000 时 0.0009378 秒
  5. 处理时间：N = 1000 时 0.0009792 秒

性能测试OpenCL加速计算，N10_000

  1. 处理时间：N = 10000 时 0.0048292 秒
  2. 处理时间：N = 10000 时 0.0049848 秒
  3. 处理时间：N = 10000 时 0.0048261 秒
  4. 处理时间：N = 10000 时 0.0048766 秒
  5. 处理时间：N = 100000 的 0.3641353 秒

性能测试OpenCL加速计算，N100_000

  1. 处理时间：N = 100000 时 0.3648832 秒
  2. 处理时间：N = 100000 的 0.364661 秒
  3. 处理时间：N = 10000 时 0.3648172 秒
  4. 处理时间：N = 100000 时 0.3643978 秒
  5. 处理时间：N = 100000 的 0.3636657 秒

性能测试OpenCL加速计算，N1_000_000

  1. 处理时间：36.6879734 秒，N = 1000000
  2. 处理时间：37.7439221 秒，N = 1000000
  3. 处理时间：37.7102053 秒，N = 1000000
  4. 处理时间：37.7474797 秒，N = 1000000
  5. 处理时间：37.4340912 秒，N = 1000000

1 条回复

1楼
 ProjectPhysX  3 已采纳  2023-01-22 05:30:39

集成的 GPU 使用了 CPU 系统 memory 的一部分。数据不通过 PCIe 移动，这使得主机 <-> 设备复制速度更快。 当 iGPU 使用主机指针而不是系统 memory 中的单独副本时，也有可能完全避免数据复制。如果您的应用程序严重依赖主机<->设备复制，这可能解释了性能差异。 尽量避免数据移动。

但看看你的表现数字，这似乎不太可能。 T500 在 N=100000 时表现良好，但随后性能突然下降。 对我来说，这表明你用完了 GPU VRAM（只有 2GB），然后它溢出到系统 memory 中，每次调用 Kernel 时都会有 PCIe 副本，这使得它突然变得非常慢。 检查 VRAM 使用情况。

问题未解决？试试使用：帮您解决问题。
暂无
暂无

声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.

相关问题 将数据从 CPU 传输到 GPU，反之亦然，具体在哪里？ 加载了 tensorflow.js 的图形模型可以使用 GPU 上的数据而不先将其传输到 CPU 吗？ 在 Pytorch 中，当传输到 GPU 时，我收到错误“在 CPU 上，但预计在 GPU 上” 集成GPU和CPU之间的原子操作 如何使用cudaMemcpyPeer在无法使用P2P的不同进程中的GPU之间复制GPU数据？ 如何解释PCIe总线上的性能差异？ OpenCL中GPU之间的数据传输 为什么CPU和GPU内存之间的数据交换速度如此之慢？ OpenCL + OpenGL减少CPU和GPU之间的数据传输 在D3动画期间将负载转移到GPU
相关标签
 
粤ICP备18138465号  © 2020-2023 STACKOOM.COM