NVIDIA GPU架构

最新推荐文章于 2025-05-25 21:51:55 发布
最新推荐文章于 2025-05-25 21:51:55 发布
阅读量1.1k 收藏 2
点赞数
CC 4.0 BY-SA版权
文章标签： NVIDIA GPU
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/u012633319/article/details/108903876

本文主要为

1. NVIDIA GeForce 800系列GPU架构
2. GTX 1050Ti GPU架构

  NVIDIA GeForce 800系列                                                           

型号

芯片代号

架构

GeForce 800M

GF117

Fermi

GeForce 810M (GF117)

GF117

Fermi

GeForce 810M (GK107)

GK107

Kepler

GeForce 820M (GF117)

GF117

Fermi

GeForce 820M (GK107)

GK107

Kepler

GeForce 825M

GK208

Kepler

GeForce 830M

GM108

Maxwell

GeForce 840M

GM108

Maxwell

GeForce 845M (GM107)

GM107

Maxwell

GeForce 845M (GM108)

GM108

Maxwell

GeForce GTX 850M

GM107

Maxwell

GeForce GTX 860M (GK104)

GK104

Kepler

GeForce GTX 860M (GM107)

GM107

Maxwell

GeForce GTX 870M

GK104

Kepler

GeForce GTX 880M

GK104

Kepler

其中GeForce 800系列显卡同型号名称存在不同芯片代号，括号中标注

  GTX 1050Ti                                                            

型号

芯片代号

架构

GTX 1050 Ti

 

PASCAL

 

gy笨瓜
关注
【NPU 系列专栏 2.7 -- - NVIDIA GPU 架构介绍】
CodingCos的博客
07-28 1192
英伟达（NVIDIA）是全球领先的图形处理单元（GPU）制造商，其推出了多种 GPU 架构，每一代架构都在性能和能效方面有显著提升。以下是英伟达主要 GPU 架构的详细介绍。Tesla 架构是英伟达第一代支持通用计算的 GPU 架构，标志着 GPU 从专用的图形处理器向通用计算加速器的转变。Fermi 架构是英伟达第二代支持通用计算的 GPU 架构，针对计算和图形处理进行了大量优化。Kepler 架构是英伟达第三代支持通用计算的 GPU 架构，进一步提升了性能和能效。
NVIDIA GPU 芯片架构发展史
烟云的计算
04-04 3951
目录 文章目录目录NVIDIA GPU 架构发展史NVIDIA Ampere GPU 架构Multi-Instance GPUNVIDIA Tesla GPU 架构 NVIDIA GPU 架构发展史 NVIDIA Ampere GPU 架构 Multi-Instance GPU Nvidia 最新的 Ampere 架构支持 Multi-Instance GPU（MIG）技术，它能够水平切分 GPU 资源。 每个 A100 GPU 都可以被拆分成 7 个 GPU instance，每个 Instance
GPU 英伟达GPU架构回顾
生活需要深度
10-01 1万+
1999 年，英伟达发明了 GPU（graphics processing unit），本节将介绍英伟达 GPU 从 Fermi 到 Blackwell 共 9 代架构，时间跨度从 2010 年至 2024 年，具体包括费米（Feimi）、开普勒（Kepler）、麦克斯韦（Maxwell）、帕斯卡（Pashcal）、伏特（Volt）、图灵（Turing）、安培（Ampere）和赫柏（Hopper）和布莱克韦尔（Blackwell）架构。
NVIDIA GPU 架构详解：Pascal、Volta、Turing、Ampere、Ada、Hopper、Blackwell
分享实践与思考
03-03 1万+
NVIDIA 的 GPU 架构持续演进，每一代都在计算能力、能效比和专用硬件加速方面取得突破。以下是主流架构的核心特性对比与应用场景分析。
漫谈英伟达GPU架构进化史：从Celsius到Blackwell
最新发布
存储随笔
05-25 2904
英伟达GPU架构演进史（1999-2024） 本文梳理了英伟达从1999年Celsius架构到2024年Blackwell架构的20多代技术发展历程。1999年GeForce256首次提出GPU概念，开启图形处理器独立计算时代；2006年Tesla架构引入统一渲染和CUDA核心，开创GPU通用计算新纪元；2017年Volta架构加入Tensor Core，推动AI计算革命；2020年Ampere架构实现数据中心性能飞跃；2024年Blackwell架构专为生成式AI优化，支持万亿参数模型。每一代架构都在制程
NVIDIA GPU 架构梳理
热门推荐
查理王的博客
03-19 1万+
文中图片大部分来自NVIDIA 产品白皮书 TODO：英伟达显卡型号梳理 目录： 一、NVIDIA GPU的架构演变历史 二、Tesla 架构 三、Fermi架构 四、Kepler架构 五、Maxwell架构 六、Pascal架构 七、Volta架构 八、Turing架构 九、Ampere架构 一、NVIDIA GPU的架构演变历史和基本概念[1] 截止2021年，发布时间离我们最近的8种NVIDIA GPU微架构是： Tesla (特斯拉) Fermi（费米） Kepler（开普勒...
英伟达发布全新GPU：采用图灵架构 支持光线追踪
网易智能
08-14 706
关注网易智能，聚焦AI大事件，读懂下一个大时代！【网易智能讯 8月14日消息】在近日于加拿大举行的SIGGRAPH 2018计算机图形与交互技术大会上，英伟达推出了最新的...
NVIDIA显卡架构
顺其自然~专栏
02-15 5451
算力包含一个大版本x和一个小版本y，一块显卡的算力的表示就是x.y，x其实就是代表着显卡的架构，y代表这基于这个架构一些增量优化，比如7.5就是基于volta的架构优化的，最后命名为turing架构。，在评估时主要考虑峰值计算性能和内存带宽，一般核心数量越多，TFlops越大，效果越好，在选购显卡的时候要首先根据用途选择对应的系列，然后看相应的计算性能和内存。，但因为它们分别面向的目标市场以及产品定位的不同，这6个系列的GPU在软硬件的设计和支持上都存在许多差异。（特斯拉（磁感应强度单位））
NVIDIA GPU架构白皮书-合集
04-13
NVIDIA GPU架构白皮书是深入理解该公司GPU技术的关键资源，涵盖了从Turing到 Ampere的最新发展。这些白皮书详细阐述了NVIDIA在图形处理领域的创新，为专业人士提供了宝贵的洞察力。以下是对各白皮书内容的概述： 1....
3 分钟看完 NVIDIA GPU 架构及演进
github_36774378的博客
11-10 1688
近期随着 AI 市场的爆发式增长，作为 AI 背后技术的核心之一 GPU（图形处理器）的价格也水涨船高。GPU 在人工智能中发挥着巨大的重要，特别是在计算和数据处理方面。目前生产 GPU 主流厂商其实并不多，主要就是 NVIDIA、AMD、Intel、高通等厂家。本文将主要聊聊 NVIDIA GPU 的核心架构及架构演进。
NVIDIA和AMD GPU硬件架构发展
zhang_shuaifeng的博客
01-28 2880
费米、开普勒、麦克斯韦、帕斯卡、伏特、图灵、安培、赫柏。Vega、Navi
NVIDIA深度架构
吴建明wujianming_110117
12-30 339
NVIDIA深度架构 今天，在2020年NVIDIA GTC主题演讲中，NVIDIA创始人兼首席执行官黄仁勋介绍了基于新NVIDIA Ampere GPU架构的新NVIDIA A100 GPU。本文介绍新的A100 GPU，并介绍了NVIDIA Ampere架构GPU的重要新功能。 现代云数据中心中运行的计算密集型应用程序的多样性推动了NVIDIA GPU加速的云计算的爆炸式增长。此类密集型应用程序包括AI深度学习（DL）训练和推理，数据分析，科学计算，基因组学，边缘视频分析和5G服务，图形渲染，云游戏等。
英伟达 GPU 架构：演进与模型推理速度的深度关联
2401_82452722的博客
11-01 2179
H200 的显存从 H100 的 80GB 提升到了 141GB，更大的显存容量可以容纳更大规模的模型和数据，减少数据在内存和硬盘之间的交换次数，从而提高推理速度。当然也并不是所有的场景都适合NVLink的，PCIe的GPU的优势主要体现在其出色的灵活性和实用性，对于工作负载小、追求GPU数量平活配置的场景，PCIe版的GPU无疑是个更好的选择，而对于GPU间互联带宽有着极高需求的大规模AI模型的训练任务，SXM版的GPU凭借其无可匹敌的NVLink宽带和极致的性能则成为首要选择。然而，竞争也将促进合作。
英伟达GPU的硬件架构——显存带宽和算力
四哥的专栏
09-07 3225
CUDA 是建立在英伟达GPU硬件架构之上的平台和编程模型。因此，就像要写好高性能的 CPU 程序，必须对 CPU 的硬件架构有一定的理解一样，我们写 CUDA 程序也必须对 GPU 有最基本的了解。
【架构】GPU架构总结
qq_43543209的博客
02-25 8410
在之前的 SM 概览图以及上图里，可以注意到 SM 内有两个 Warp Scheduler 和两个 Dispatch Unit. 这意味着，同一时刻，会并发运行两个 warp，每个 warp 会被分发到一个 Cuda Core Group(16 个 CUDA Core), 或者 16 个 load/store 单元，或者 4 个 SFU 上去真正执行，且每次分发只执行 一条 指令，而 Warp Scheduler 维护了多个（比如几十个）的 Warp 状态。在提升性能的同时，H100的功耗也在大幅上升。
显卡算力扫盲篇（三）
kcarly的专栏
10-29 7087
GPU 的核心架构及参数NVIDIA GPU 的核心参数的差别和各自的优势
NVIDIA GPU 硬件架构入门
AI Infra / LLM / 软件开发
08-26 2766
随着大模型产业的发展，AI 训练 & 推理对算力的需求越来越大，AI 的计算也越来越离不开 GPU 的支持。CPU（通用处理器）；GPU（通用图形处理器）；NPU / TPU（AI 专用处理器）。那么 CPU 和 GPU 有什么区别呢？从硬件设计上来看，GPU 的 DRAM 时延（数据搬运、指令执行的延迟）远高于 CPU，但 GPU 的线程数远高于 CPU（有非常多的线程，为大量大规模任务并行而去设计的）。
GPU 调度策略架构与CUDA运行机制（二）
生活需要深度
07-15 5155
说到GPU估计大家都不陌生，但是提起gpu底层的一些架构以及硬件层一些调度策略的话估计大部分人就很难说的上熟悉了。当然这个不是大家的错，主要是因为Nv gpu的整个生态都是闭源的，所以大家了解起来就会有一些障碍。最近这半年笔者有幸参与了一些gpu的项目，在这个过程当中也花了一些时间去理了一下gpu相关的东西，故借这篇文章给大家简单介绍一下。下面的行文将基于以下三个层面进行阐述：CUDA编程模型GPU 底层硬件架构硬件层的调度策略gpu上的其他细节还有很多，笔者这篇文章就当作抛砖引玉了。
nvidia gpu架构与原理分析
10-23
NVIDIA GPU（图形处理器单元）架构与原理分析如下： NVIDIA GPU架构主要分为两个部分：SM（流处理器）和内存层次结构。 SM是NVIDIA GPU的核心组件，它由多个CUDA核心组成，用于处理并行计算任务。每个SM包含一定数量的CUDA核心，可以同时执行多个线程。SM还包括一些专用硬件单元，例如寄存器文件、共享内存和高速缓存。这些单元可以提供高效的数据存储和共享机制，以及加速计算速度。 NVIDIA GPU的内存层次结构包括全局内存、共享内存和寄存器文件。全局内存是最大的内存池，在所有SM中都可见。它用于存储大量数据，并在各个SM之间共享。共享内存是每个SM私有的一块内存空间，可以在SM内的线程之间进行快速共享。寄存器文件是每个CUDA核心私有的一块内存空间，用于存储核心执行时需要的数据。 NVIDIA GPU架构的原理是基于并行计算模型的。它可以同时执行大量线程，每个线程都在不同的CUDA核心上执行，从而实现高度并行的计算。通过将计算任务划分为小的线程块和网格，NVIDIA GPU可以将任务分配给多个SM并发执行，从而提高计算效率。 此外，NVIDIA GPU还支持CUDA编程模型，它可以使用CUDA编程语言进行开发。CUDA提供了丰富的API和工具，使开发者能够利用GPU的并行计算能力，提高计算性能和效率。 总而言之，NVIDIA GPU架构是一种基于并行计算的架构，通过同时执行大量线程和高效的内存层次结构，实现了高性能的数据处理和计算能力。它在许多领域，如科学计算、机器学习和游戏开发中发挥着重要的作用。
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
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