四、浮点计算性能测试 测试配置包括 V100 32GB PCIe *2、CUDA 12.0、NVIDIA 驱动 525.125.06 和 PyTorch。通过 PyTorch 的 Benchmark 测试浮点运算性能。机器无法手动调整 GPU 频率。测试结果显示，半精度、单精度和双精度测试结果与理论值有差距，实测性能低于理论值 26.87%、5.67% 和 3.47%。...
GPU V100 性能测试报告
一、通用计算性能测试
测试环境配置包括：显卡规格 V100 32GB PCIe *2，CUDA 版本 12.0 和 NVIDIA 驱动版本 525.125.06。利用官方提供的设备查询命令行工具，验证 CUDA 工具包安装与配置情况，检查 GPU 设备的计算能力、核心数量、内存带宽等硬件规格信息。
测试结果显示，CUDA 工具包已正常安装配置，硬件稳定。
二、GPU 显存带宽测试
测试配置与一相同，使用 bandwidthTest 命令行工具。测试主机与 GPU 设备之间的数据传输速度，包括主机到设备、设备到主机和设备到设备的带宽峰值。测试结果以 GB/s 表示，数值越高表示传输速度越快。
测试发现，实际显存带宽低于理论峰值，设备到设备速度低于理论值 19%，具体影响因素包括系统架构、配置、驱动程序和其他软件等。
三、GPU 之间的 P2P 带宽和延迟测试
测试配置与前文相同，利用 p2pBandwidthLatencyTest 工具评估两个 GPU 之间的连接性能。测试包括带宽和延迟两个指标，结果表明 V100 卡间通信正常，延迟值与官方数据相差在 1%以内。
四、浮点计算性能测试
测试配置包括 V100 32GB PCIe *2、CUDA 12.0、NVIDIA 驱动 525.125.06 和 PyTorch。通过 PyTorch 的 Benchmark 测试浮点运算性能。机器无法手动调整 GPU 频率。测试结果显示，半精度、单精度和双精度测试结果与理论值有差距，实测性能低于理论值 26.87%、5.67% 和 3.47%。
五、Transformer+WMT’14
测试配置与四相同，使用 pyTorch1.13.1、sockeye3.1.34。测试目标为模型训练的性能稳定性与整体性能。程序使用 Transformer 模型，数据集为 WMT’14 英语翻译至德语数据。数据处理与训练参数保持不变。测试结果表明，机器运行稳定，训练速度较好，未发现 NVLink 传输使用。
六、NVLink 测试
测试配置与前文相同，使用 NVSMI 工具测试 NVLink 使用情况。结果未发现显卡间使用 NVLink 进行传输。
七、IB 测试
测试配置与前文相同，使用 IB 网络基准性能测试工具。结果表明，无 IB 网络可用。
八、其他
在训练过程中，使用 nohup 时常因会话关闭而失效，切换为 tmux 解决问题。会话在无程序运行状态下会快速断开。2024-10-18
