- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我读了D3D11 Usage页面并来自 CUDA 背景 我想知道标记为 D3D11_USAGE_STAGING
的纹理将存储到哪种内存中。
我想在 CUDA 中它应该是固定页锁定零拷贝内存。我测量了从使用 D3D11_USAGE_STAGING
的 ID3D11Texture2D
到使用 malloc
分配的主机缓冲区的传输时间,它花费了将近 7 毫秒(在流媒体中相当多/gaming),我认为这是从 GPU 全局内存到该内存区域所需的时间。
我的假设是否正确?什么是 D3D11_USAGE_STAGING
用作 GPU 内存?
最佳答案
D3D11_USAGE_STAGING
的主要用途是将数据加载到其他 D3D11_USAGE_DEFAULT
池资源中。另一个常见用法是将渲染目标“回读”到 CPU 可访问内存。您可以使用 CopySubResourceRegion
在 DEFAULT 和 STAGING 资源之间移动数据(离散硬件通常使用 Direct Memory Access 来处理系统内存和 VRAM 之间的数据移动)。
这是一个概括,因为它取决于体系结构和驱动程序的选择,但简而言之::
D3D11_USAGE_STAGING
表示放在系统内存中,GPU无法访问。
D3D11_USAGE_DEFAULT
放在VRAM中,CPU无法访问它。要将数据放入其中,需要从 STAGING 资源复制数据。您可以将 UpdateSubresource
视为一个便利函数,它创建一个 STAGING 资源,将数据复制到其中,从 STAGING 复制到 DEFAULT,然后释放 STAGING 副本。
D3D11_USAGE_DEFAULT
池内容,则驱动程序可以实现该功能。这取决于他们如何设置内存系统(即在 Unified Memory Architectures 中,系统 RAM 和 VRAM 是一样的)。D3D11_USAGE_IMMUTABLE
与 D3D11_USAGE_DEFAULT
基本相同,但您是说您只会在创建调用中初始化它一次。
D3D11_USAGE_DYNAMIC
表示将它放在共享系统内存中,CPU 和 GPU 都需要访问它。与 DEFAULT 相比,GPU 从中读取数据通常会降低性能,因此您希望谨慎使用它。它真正适用于您在 CPU 上生成每一帧然后需要渲染的内容(例如地形系统或程序几何)。
Games that use content streaming typically have a set of STAGING textures they load data into in the background, and then copy it to
DEFAULT
textures as they become available for efficient rendering. This lets them reuse both STAGING and DEFAULT textures without the overhead of destroying/creating resources every frame.
请参阅 Microsoft Docs 上这篇有些过时的文章:Resource Management Best Practices
关于windows - D3D11_USAGE_STAGING,使用什么样的GPU/CPU显存?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50396189/
谁能解释或指出在多 GPU/多显示器设置中渲染如何工作的解释(或至少一些线索)? 例如,我安装了 5 个 NVIDIA Quadro 4000 视频卡并连接了 9 个显示器。显示不进行任何分组。刚刚在
以下代码报错: import spacy spacy.require_gpu() Traceback (most recent call last): File "/home/user/Pycha
正如问题已经暗示的那样,我是深度学习的新手。我知道模型的学习过程在没有 GPU 的情况下会很慢。如果我愿意等待,如果我只使用CPU可以吗? 最佳答案 在计算深度学习(以及一般的神经网络)中执行的许多操
我知道 Renderscript 的设计是为了掩盖我正在运行的处理器的事实,但是有没有办法编写代码,以便在支持 GPU 计算的设备(目前是 Nexus 10)上运行显卡?有什么方法可以判断脚本的功能正
关闭。这个问题是opinion-based 。目前不接受答案。 想要改进这个问题吗?更新问题,以便 editing this post 可以用事实和引文来回答它。 . 已关闭 8 年前。 Improv
我想以编程方式找出可用的 GPU 及其当前内存使用情况,并根据内存可用性使用其中一个 GPU。我想在 PyTorch 中执行此操作。 我在这个 post 中看到了以下解决方案: import torc
我喜欢 GPU Gems 的结构化技术摘要。但是自上次发布以来已经过去了很长时间,应该开发新算法来处理新型硬件。 我可以阅读有关最近 GPU 技术成就的哪些信息? 潜伏在编程板上是唯一的方法吗? 最佳
我一直在做一些关于测量数据传输延迟的实验 CPU->GPU 和 GPU->CPU。我发现对于特定消息大小,CPU->GPU 数据传输速率几乎是 GPU->CPU 传输速率的两倍。谁能解释我为什么会这样
当我使用选项 --gres=gpu:1 向具有两个 GPU 的节点提交 SLURM 作业时,如何获取为该作业分配的 GPU ID?是否有用于此目的的环境变量?我使用的 GPU 都是 nvidia GP
我用 gpu、cuda 7.0 和 cudnn 6.5 安装了 tensorflow。当我导入 tensorflow 时,它运行良好。 我正在尝试在 Tensorflow 上运行一个简单的矩阵乘法,但
我们正在寻找有关 slurm salloc gpu 分配的一些建议。目前,给定: % salloc -n 4 -c 2 -gres=gpu:1 % srun env | grep CUDA CUD
我是否必须自定义为非 GPU Tensorflow 库编写的代码以适应tensorflow-gpu 库? 我有一个 GPU,想运行仅为非 GPU tensorflow 库编写的 Python 代码。我
我是否必须自定义为非 GPU Tensorflow 库编写的代码以适应tensorflow-gpu 库? 我有一个 GPU,想运行仅为非 GPU tensorflow 库编写的 Python 代码。我
我正在使用 pytorch 框架训练网络。我的电脑里有 K40 GPU。上周,我在同一台计算机上添加了 1080。 在我的第一个实验中,我在两个 GPU 上观察到相同的结果。然后,我在两个 GPU 上
有没有办法在 Slurm 上超额订阅 GPU,即运行共享一个 GPU 的多个作业/作业步骤?我们只找到了超额订阅 CPU 和内存的方法,但没有找到 GPU。 我们希望在同一 GPU 上并行运行多个作业
我可以访问 4 个 GPU(不是 root 用户)。其中一个 GPU(2 号)表现怪异,它们的一些内存被阻塞但功耗和温度非常低(好像没有任何东西在上面运行)。请参阅下图中 nvidia-smi 的详细
我正在尝试通过 Tensorflow 运行示例 seq2seq,但它不会使用 GPU。以下是我在带有 Tesla K20x 的 Linux 系统上安装 Tensorflow 所采取的步骤 git cl
一位电气工程师最近提醒我不要使用 GPU 进行科学计算(例如,在精度非常重要的地方),因为没有像 CPU 那样的硬件保护措施。这是真的吗?如果是的话,典型硬件中的问题有多普遍/严重? 最佳答案 实际上
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 7年前关闭。 Improve thi
最近我研究了强化学习,有一个问题困扰着我,我找不到答案:如何使用 GPU 有效地完成训练?据我所知,需要与环境持续交互,这对我来说似乎是一个巨大的瓶颈,因为这项任务通常是非数学的/不可并行化的。然而,
我是一名优秀的程序员,十分优秀!