Observera att samma trivselregler gäller i kommentarstrådarna som i övriga forumet och att brott mot dessa kan leda till avstängning. Kontakta redaktionen om du vill uppmärksamma fel i artikeln eller framföra andra synpunkter.
Ryzen 5 9600X | ASUS ROG Strix B650E-F | Kingston Fury Beast RGB 32GB 5600MT/s
ASUS RTX 4070 Super 12GB Dual EVO | Jonsbo D41 Mesh Black
Phanteks AMP GH 750W Gold ATX 3.1
Kingston Fury Renegade NVME M.2 2TB | Thermalright Phantom Spirit 120 SE ARGB
“When a clown moves into a palace he doesn’t become a king, the palace instead becomes a circus.”
Är det här man ska skriva upp vilken dator man använder?
Ballongmoddat hopkok som kyls med vatten och kopplat till ett gäng skärmar med en massa pixlar.
Duger det??
För närvarande dator"fri". Sparar till nytt :)
😑
9950X3D | 5080
För närvarande dator"fri". Sparar till nytt :)
”Det innebär också att Ampere-korten kan utföra 64 FP32-beräkningar och 64 integerberäkningar (INT32) per klockcykel, där Turing är begränsad till antingen 64 FP32 eller 64 INT32.”
Stämmer det verkligen? Av den engelska texten att dömma så är det väl 32 FP32 Eller 16 FP32 samt 16 INT32.
Eller missförstår jag något?
Tror denna bild klargör det hela lite
Varje mindre block är det Nvidia pratar om när de nämner 16 FP32 + 16 FP32 alt. 16 FP + 16 INT i Ampere. Då det finns fyra sådana block per SM blir det totalt 128 FP32 alt 64 FP32 + 64 INT.
Minsta enhet schemaläggaren för en SM kan leka med är något Nvidia kallar "warp". En "warp" är 32 st CUDA-trådar och varje sådan "warp" kör alltid på en av dessa fyra block inom en viss SM.
Tror ändå att denna del blev fel i artikeln, tänker på detta
"där Turing är begränsad till antingen 64 FP32 eller 64 INT32."
om jag inte missförstått Turing-whitepaper
"Turing adds a second parallel execution unit next to every CUDA core that executes these instructions in parallel with floating point math"
En nyhet i Turing var att man för första gången gick till en superskalär design i SM, d.v.s. att en enskild CUDA-tråd kan köra mer än en instruktion samma cykel. I Turing är begränsningen att det endast fungerar om det är en FP32 plus en INT.
Så kapaciteten för Turing borde vara 16 FP + 16 INT per block, så 128 FP + 128 INT. Kommer oftare misslyckas på Turing än på Ampere, dels måste det just vara 1:1 FP32:INT, men då man bara har halva L1$ bandbredden måste man oftare träffa registerbanken för att de ska vara möjligt.
Stora skillnaden mellan "gamla" CUDA-kärnor och "nya" CUDA-kärnor i Ampere är (precis som jag spekulerade i något inlägg kring att man inte ökat antal "programpekare" per SM) att antalet trådar som kan avancera en instruktion en given klockcykel har inte fördubblats.
Däremot är det korrekt av Nvidia att ändå hävda att antalet CUDA-kärnor fördubblats då det just refererar till antalet FP32 kapabla FMA ALUs, vilket man har ökat i fallet där båda instruktionerna som körs är FP32 instruktioner.
I praktiken, enligt Nvidias egna siffror i Turing white paper, så består ~26 (36 per 136 instruktioner) % av alla instruktioner av heltalsinstruktioner. Så av 136 instruktioner kommer man 50 gånger kunna köra två FP32 per cykel medan man 36 gånger kör en FP32 och en INT (i det optimala fallet), så totalt 86 cykler för att köra allt. Det ger <=1,6 FP32 per cykel i vad de beskriver som "typisk spelmix".
Turing klarar av samma 136 instruktioner på 100 cykler, den kan i optimala fallet köra FP32 + INT parallellt och för sedan köra kvarvarande 64 FP32 en i taget.
Slutligen Pascal behöver 136 cykler för samma sak, den kan köra en instruktion per cykel: FP32 eller INT.
TL;DR är ändå: Ampere är precis som Turing dual-issue, fast nu kan man också köra FP32 + FP32 utöver FP32 + INT samma cykel.
Det borde gå att få ut nära 100 % effektivitet sett till antal CUDA-kärnor i fall som enbart utför FP32 beräkningar
Grejen är att det inte ens händer vid matrisberäkningar, även där måste man gör en del adressberäkningar som är heltal. Till skillnad från Turing kommer dock Ampere långt oftare lyckas köra två instruktioner per cykel -> per SM är Ampere betydligt effektivare än Turing.
Care About Your Craft: Why spend your life developing software unless you care about doing it well? - The Pragmatic Programmer
🎮 → Node 304 • Ryzen 7 5700X3D • Nh-D14 • Gainward RTX 2070 • 32GB DDR4 • MSI B450I Gaming Plus AC
🖥️ → Acer Nitro XV273K Pbmiipphzx
💻 → Lenovo Yoga slim 7 pro 14" Oled
i7-10700K + Corsair H90 | Z490 | 64GB | RTX3080 | SSD 3*512GB + 500GB + 128GB | HDD 3TB | Fractal North Vit Mesh | Phanteks AMP 1000W | 31.5"+27"+24" | Corsair K95 RGB | Logitech G902 | Sennheiser RS 175
|| SWECLOCKERS.COM ||
|| Självutnämnd Silverstone FT02-riddare ||
|| Silverstone FT02B-WRI "Limited Edition" No. 0743 & 0640 ||
|| Sweclockers officiella FT02-tråd ||
Ryzen 5600 | RTX 3080
Copyright © 1999–2025 Geeks AB. Allt innehåll tillhör Geeks AB.
Citering är tillåten om källan anges.
