CUDA架构代号对照表

最新推荐文章于 2025-11-23 20:44:55 发布
最新推荐文章于 2025-11-23 20:44:55 发布
阅读量213 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 深度学习目标检测理论&实践&部署专栏 # Tensorrt框架 文章标签： 架构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/a8039974/article/details/155056151

GTX 1050 Ti 属于 Pascal 架构，计算能力为 6.1，对应的CUDA架构代号是 61。

NVIDIA GPU架构代号的演进

Tesla (2006) → Fermi (2010) → Kepler (2012) → Maxwell (2014) 
→ Pascal (2016) → Volta (2017) → Turing (2018) 
→ Ampere (2020) → Ada Lovelace (2022) → Hopper (2022)

完整的CUDA架构列表

按架构代号的完整列表

Fermi 架构 (已废弃)

  • "20"- GF100 (Tesla C2050, C2070)

  • "21"- GF104, GF106, GF108 (GTX 580, 560 Ti)

Kepler 架构

  • "30"- GK104, GK106, GK107 (GTX 680, 770)

  • "35"- GK110, GK208 (GTX Titan, Tesla K40/K80)

  • "37"- GK210 (Tesla K80)

了解本专栏 订阅专栏 解锁全文
英伟达显卡系列、架构与代表产品全览（更新至2025年）
Ai.den
09-12 1万+
NVIDIA显卡全系列解析：从消费级到AI计算 本文系统梳理了NVIDIA截至2025年的显卡产品线，涵盖三大系列： GeForce系列：主打游戏与创作，支持光线追踪和DLSS RTX专业系列：面向CAD/3D建模，强调稳定性和双精度计算 数据中心/AI系列：专为AI训练和大模型优化，如H100/B100 重点介绍了11代GPU架构演进： 从2006年的Tesla架构开创CUDA计算 到2017年Volta引入TensorCore 直至2024年Blackwell架构专为万亿参数模型设计 不同架构针对特定计
CUDA Kepler（一） Read-Only Cache特性解析及其性能对比测试
余音绕梁九日的专属空间站
04-02 4483
Kepler 计算设备 Kepler是NVIDIA发布的第三代CUDA计算设备的代号，这一系列产品主要有两大类：GK104和GK110，没有记错的话，GK104的运算能力是3.0，而GK110则具备了完整的Kepler架构组件，计算能力为3.5。两种计算能力的硬件在体系结构上面有一些差异，这些差异可能会在这一系列文章的后续版本中进行详细地讲解。今天我们讨论的是计算能力3.5的GK110架构新引入
nvidia gpu架构代号
9分钟带帽
11-15 1650
使用NVIDIA GPU时，难免会用到nvcc来编译自己写的cuda代码，nvcc要求我们给一个-arch选项或者-gencode选项，gencode也可以从ptx编译代码。但是NVIDIA的架构代号很多，有GA-{num}类型，也有sm_{num}类型，有时候给人整不会了都。从8.0上编译出的二进制文件也可以在8.6上运行，但还是推荐在fp32类型上使用8.6的编译选项。，而没有使用-arch，CPU的codegen会发生在JIT阶段，就是在runtime编译device code。
一文读懂英伟达的核心和显卡产品线规格-附全部显卡核心对应关系图表
启芯硬件的博客
11-18 7548
英伟达（NVIDIA）是全球领先的人工智能计算公司和GPU制造商。其显卡产品线涵盖了从入门级到专业级、游戏级和数据中心级的各种需求。要理解英伟达显卡的核心和产品线规格，首先需要了解英伟达的GPU核心架构，然后再深入研究各个产品系列的规格和性能特点。1-显卡的核心要素 英伟达（NVIDIA）的GPU核心与显卡的对应关系可以从多个角度来理解，包括GPU的架构、性能、用途等。GPU和显卡的关系：...
显卡相关参数说明
热门推荐
小锴的学习笔记
11-30 1万+
显卡参数.
PyTorch-CUDA镜像集成CUDA 12，性能再升级
weixin_32869687的博客
11-23 327
本文介绍PyTorch官方镜像集成CUDA 12带来的性能提升与开发效率优化，涵盖CUDA 12、cuDNN和PyTorch的协同优势，通过Docker实现开箱即用的深度学习环境，显著提升训练速度并降低环境配置复杂度。
PyTorch-CUDA镜像简化依赖管理，告别版本冲突
weixin_29050829的博客
11-23 483
本文深入解析PyTorch-CUDA基础镜像如何解决深度学习中常见的版本冲突与环境配置难题，涵盖CUDA、cuDNN的协作机制，容器化在开发、训练和部署中的最佳实践，并通过真实案例展示其在团队协作与MLOps中的关键价值。
NVIDIA驱动、CUDA、Cudnn、Pytorch、MMCV和显卡算力对应关系以及安装
Soonki的博客
03-20 5463
还是需要安装的，不然大概率安装驱动是会报错的。首先，建议把ubuntu镜像换成华为的，个人感觉这个还是蛮快的执行为安装的GCC和G++设置优先级如果不想设置优先级，可以用建立软连接的方法。
我不想安装多个cuda版本 我想知道如何判断我应该装什么版本的cuda
06-08
执行命令查看架构代号（需已安装驱动）： ```bash nvidia-smi --query-gpu=compute_cap --format=csv ``` - Maxwell架构（GTX 900系）：仅支持CUDA ≤11.0 - Turing架构（RTX 20系）：支持CUDA ≥10.0 - ...
5090 显卡 CUDA 版本是：12.9 输入： nvcc -arch=sm_120 your_code.cu -o output 报错
08-21
| GPU 世代 | 架构代号 | 计算能力 | 编译参数 | CUDA 12.9 支持 | |---------------|-------------|---------|----------|---------------| | Ada Lovelace | RTX 40 系列 | 8.9 | `sm_89` | ✅ 是 | | Hopper | ...
Elixir与Phoenix高并发实时服务开发实践分享：函数式架构与消息推送优化经验
最新发布
2501_94114373的博客
11-23 251
充分利用轻量进程实现高并发连接函数式架构保证代码可维护性异步数据库访问和缓存策略提升响应速度消息推送与任务队列确保实时性和稳定性监控与日志保障系统可观测性Elixir + Phoenix 通过函数式编程和轻量级进程，为高并发、实时服务提供了可靠、高效的开发方案，是构建大规模实时系统的理想选择。
Ⅲ. 高级篇——性能、架构与新技术
qq_55253420的博客
11-20 366
本文介绍了JAVA体系进阶学习专栏的主要内容框架，包含四大核心模块：安全进阶（零信任架构、密码学、容器安全）、大数据与机器学习（Spark、Flink、模型部署）、前沿技术（Project Loom、GraalVM等）以及项目实战案例（秒杀系统全栈实现）。每个模块均设有理论知识和实践练习，如基于RSA的加解密工具开发、Spark词频统计等，通过系统化知识梳理帮助开发者构建完整技术栈。专栏后续将持续深入讲解各技术点，提供从基础到进阶的完整学习路径。
Flowable实战：从流程混乱到优雅编排的架构演进
safestar2012的博客
11-19 1065
摘要： 本文详细记录了一个供应链金融项目从传统硬编码审批流程迁移到Flowable工作流引擎的技术改造过程。项目原有的"大泥球"架构导致每次流程变更需要2个月开发周期，通过采用Flowable实现流程与业务解耦后，变更周期缩短至2天。文章重点阐述了技术选型考量、BPMN流程建模、事件驱动架构设计等核心改造环节，并分享了事务管理、性能优化等实战经验。最终系统实现了审批效率提升66%、开发效率提升3倍的显著效果，同时总结了Flowable适用场景评估框架和实施方法论。
【CUDA笔记】03 CUDA GPU 架构与一般的程序优化思路（下）
明天，做什么好呢
11-21 702
（1）共享内存是一种位于 GPU 芯片上的高速内存，允许同一个 block 内的所有线程之间共享数据。（2）它主要用于减少全局内存访问次数，从而提升性能。相比于全局内存，共享内存的访问延迟显著更低，通常只需要几个时钟周期。这使得它非常适合用于频繁访问的小块数据。（3）使用__shared__关键字声明共享内存变量。（4）这些变量在每个 block 内独立分配，并且只对该 block 内的线程可见（5）代码设计上，可以借助这一层级来优化对 Global Memory的访问模式。
用户管理系统 06 实现用户管理功能 | Java新手实战 | 最小架构 | 期末实训 | Java+SpringBoot+Vue3
teacherchen90的博客
11-21 56
本文是Java用户管理系统实战系列的第六篇，主要讲解后端用户管理功能的实现。文章详细介绍了用户列表分页查询、新增、编辑和删除等核心功能的开发流程，采用MVP最小架构设计。 核心内容包括： 功能架构设计：分页查询+条件筛选、增删改查操作 Controller层实现：定义用户管理相关接口 Service层业务逻辑：用户列表查询、增删改查实现 关键特性：分页处理、表单验证、数据回显、逻辑删除 通过本教程，Java新手可以掌握企业级CRUD开发技巧，理解前后端数据交互流程，并学习MyBatis Plus的高级查询方
AppML 架构：下一代移动应用开发的关键
froginwe11的博客
11-19 305
AppML（Application Markup Language）是一种用于构建移动应用的标记语言。它允许开发者通过编写XML格式的代码来描述应用的结构和功能，从而实现快速开发。AppML架构作为一种新型的移动应用开发方式，具有诸多优势，是下一代移动应用开发的关键。随着移动互联网的不断发展，AppML架构将在未来发挥越来越重要的作用。
跨节点协同、合规可控：隐语SecretFlow在运营商架构中的应用解析
m0_69580723的博客
11-21 585
摘要：政企与运营商行业面临数据协同挑战，隐语SecretFlow社区推出SCQL能力实现"数据可用不可见的合规协作。联通软件研究院专家将分享隐语在数据中台集成及场景验证的实践经验，探讨可信数据流通技术方案。11月27日线上活动将为开发者提供政企/通信领域数据协同的落地参考，助力解决合规压力与技术选型难题。
【AI】LLM主流架构decoder-only
u011808788的博客
11-21 480
目前所有主流的、最前沿的大语言模型，其核心架构 全部都是Decoder-Only（纯解码器）架构 ，深刻地反映了当前LLM领域的技术收敛趋势。
区块链：数字经济的底层架构
2501_94162332的博客
11-20 835
区块链是一种分布式数据库技术，它通过将数据分块并通过加密手段链接成一个连续的“链”来保证数据的安全性和不可篡改性。每个区块包含一定量的交易数据，以及指向前一个区块的哈希值，这样的链条结构确保了数据的一致性和可靠性。去中心化：没有单一的中央机构来管理和控制数据，所有节点共同维护区块链的记录。每个参与者都拥有一个相同的账本副本，确保信息的透明性和一致性。不可篡改：一旦数据被写入区块链，就无法修改或删除。每个区块的内容通过加密算法与前一个区块相连，保证了数据的完整性。可追溯性。
cuda版本匹配对照表
03-26
<think>好的，用户需要了解CUDA不同版本的兼容性对照表，特别是CUDA版本与驱动版本、GPU之间的对应关系。首先，我需要回忆一下相关的参考资料。 根据引用[1]，CUDA Toolkit和驱动程序版本之间有兼容性要求，尤其是从CUDA 11开始，支持次版本兼容性。这意味着使用较新驱动可以兼容旧版本的CUDA Toolkit。例如，CUDA 11.x的应用程序可以在支持CUDA 11.0的驱动上运行，只要驱动版本满足最低要求[^1]。 接下来，引用[2]提到TensorFlow等框架在Windows上安装时需要特定CUDA版本，比如TensorFlow 2.10需要CUDA 11.2和cuDNN 8.1，这说明不同软件对CUDA版本的要求不同，用户可能需要根据使用的框架来选择CUDA版本[^2]。 然后，引用[3]指出NVIDIA官方提供了CUDA和驱动的兼容性列表，建议用户查阅官方文档以获取准确信息。特别是对于CUDA 11及以后的版本，次版本兼容性成为默认，但用户仍需确保驱动版本足够新[^3]。 用户的问题集中在CUDA版本之间的兼容性以及驱动和GPU的关系。需要明确以下几点： 1. CUDA Toolkit版本与驱动版本的对应关系。 2. GPU架构对CUDA版本的支持情况。 3. 不同软件框架对CUDA版本的需求差异。 需要注意的是，NVIDIA官方文档是最准确的来源，因此建议用户直接查看他们的兼容性列表。此外，驱动版本需要至少满足CUDA Toolkit的最低要求，例如CUDA 12.2需要驱动版本≥535.104.03。同时，某些新功能可能需要更高版本的驱动或特定GPU架构支持，比如Ampere架构的GPU需要CUDA 11.0及以上[^3]。 最后，用户可能需要生成相关问题，例如如何检查驱动版本是否兼容，或者如何为特定GPU选择CUDA版本。需要确保回答结构清晰，分点说明，并引用正确的来源。</think>关于CUDA版本兼容性对照表及驱动匹配关系，以下是关键信息整理： ### 一、CUDA Toolkit与驱动版本对应规则 1. **次版本兼容性**（CUDA 11+） - 从CUDA 11.0开始，应用程序支持次版本兼容性。例如：使用CUDA 11.4编译的程序，可在支持CUDA 11.0的驱动上运行[^3] - 驱动版本需满足最低要求，如CUDA 12.2要求驱动≥535.104.03 2. **主版本匹配原则** - CUDA Toolkit主版本号必须与驱动版本兼容。例如：CUDA 12.x需要支持12.x系列的驱动 - 驱动版本必须≥CUDA Toolkit要求的*最低驱动版本*（可在NVIDIA文档中查询） ### 二、GPU架构与CUDA版本对应 | GPU架构 | 最低CUDA版本 | 示例GPU型号 | |---------|-------------|-------------| | Kepler | CUDA 5 | GTX 780 | | Maxwell | CUDA 6 | GTX 900系列 | | Pascal | CUDA 8 | GTX 1080 | | Volta | CUDA 10 | V100 | | Ampere | CUDA 11 | A100, RTX 30系列 | 注：新架构GPU可能需要更高版本驱动才能完全支持特性 ### 三、常用框架需求示例 | 框架名称 | 版本要求 | 所需CUDA版本 | 驱动最低版本 | |------------|---------------|-------------|-------------| | TensorFlow | 2.10 | 11.2 | ≥450.80.02 | | PyTorch | 1.12 | 11.3 | ≥495.29.05 | | CUDA本身 | 12.2 | 12.2 | ≥535.104.03 | 数据来源：[^2] ### 四、官方查询方式 1. **NVIDIA官方兼容性列表**： [CUDA Toolkit Archive](https://developer.nvidia.com/cuda-toolkit-archive) 2. **驱动版本检查命令**： ```bash nvidia-smi | grep "Driver Version" ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

浩瀚之水_csdn

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值