雨云 Tesla P40 GPU云服务器上线了！8核8G内存 4G显存 25兆带宽 仅需168元/月！

Intel®️ Xeon®️ Gold 6133 与 Tesla P40 GPU 搭配的机型，云服务器的显卡以vGPU的形式分配。此机型使用于游戏挂机、轻度3D与AI应用。

这篇文章就来实测一下性能给大家看看。

雨云优惠注册地址：https://www.rainyun.com/zeruns_?s=blog

优惠码：zeruns

使用优惠码注册后绑定微信可获得5折优惠券

本期测评服务器配置

  • CPU：8核
  • 内存：8G
  • GPU：NVIDIA Tesla P40
  • 显存：4G
  • 硬盘：60GB
  • 流量：不限
  • 宽带：上行25Mbps，下行100Mbps
  • 地区：江苏·宿迁
  • 防御：共享150Gbps
  • 价格：180元/月(原价)

这个配置是NAT机，没有独立的公网IP的，需跟别人共用一个公网IP，但可以设置10条端口转发。也可以加钱买独立公网IP，加钱买的独立公网IP是独享150G防御的。

雨云I9 14900KF服务器上线了！单核性能最强的VPS！雨云14900K高防VPS性能测评：https://blog.zeruns.com/archives/739.html

雨云VPS搭建PalWorld服务器，幻兽帕鲁开服联机教程（Windows）：https://blog.zeruns.com/archives/760.html

显卡云使用教程：https://forum.rainyun.com/t/topic/6934

雨云GPU云服务器搭建SD(Stable Diffusion)的教程，搭建自己的AI绘画网站：https://blog.zeruns.com/archives/768.html

P40显卡参数

NVIDIA Tesla P40显卡的主要参数如下：

  • 核心架构：Pascal
  • GPU代号：GP102
  • 核心频率：1303 MHz（Turbo频率可达1531 MHz）
  • 流处理单元：3840个
  • 显存类型：GDDR5X
  • 显存位宽：384 bit
  • 最大显存：24 GB
  • 显存带宽：346 GB/s
  • TDP功耗：250 W
  • 接口类型：PCIe 3.0 x16
  • 外形规格：26.7cm（长） 全高 双插槽
  • 适用场景：边缘计算加速、AI深度学习、高性能计算
  • 理论性能：FP16：183.7 GFLOPS（1:64）FP32：11.76 TFLOPS FP64：367.4 GFLOPS（1:32）
  • 显卡特性：DirectX 12 (12_1), OpenGL 4.6, OpenCL 3.0, Vulkan 1.2, CUDA 6.1, Shader model 6.4

此外，Tesla P40还支持INT8（八位数据专用推理指令），具有47 TOPS的推理能力。

配置信息

CPU是 Intel(R) Xeon(R) Gold 6133

CPU性能测试

lemonbench

单核：947.35 分，多核：7540.06 分

CPU-Z

单核 306.5 分，多核 2400.2 分，多线程倍率 7.83

宝塔跑分

单核 2715 分，多核 21722 分

Unixbench测试

单核 658.7 分，多核 3866.8 分

Geekbench 5

单核 564 分，多核 3834 分，完整测试报告：https://url.zeruns.com/6ETwg

Geekbench 6

完整测试报告：https://url.zeruns.com/e00Qe

单核 661 分，多核 3552 分。

GPU性能测试

PyTorch

测试脚本：

import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 初始化CUDA事件
start_event = torch.cuda.Event(enable_timing=True)  # 创建开始计时的CUDA事件
end_event = torch.cuda.Event(enable_timing=True)  # 创建结束计时的CUDA事件

# 记录事件
start_event.record()  # 记录开始事件的时间戳

# 这里放置你想要测量时间的代码
# 例如: 一个矩阵乘法操作
torch.cuda.FloatTensor(4096, 4096).mm(torch.cuda.FloatTensor(4096, 4096))  # 在CUDA上执行矩阵乘法操作

# 记录结束事件
end_event.record()  # 记录结束事件的时间戳

# 等待所有的事件完成
torch.cuda.synchronize()  # 等待所有CUDA事件完成

# 计算时间
elapsed_time_ms = start_event.elapsed_time(end_event)  # 计算开始事件和结束事件之间的时间差
print('Elapsed time (ms): {:.2f}'.format(elapsed_time_ms))  # 打印经过的时间，以毫秒为单位

这个脚本测试了一个4096x4096矩阵的乘法操作所需的时间。测试结果在50毫秒左右（改成用CPU运行后结果在300毫秒左右）。

Geeks3d Furmark

FuMark(OpenGL 2.1/3.0)，1024*640，分数 21373，FPS：356

TessMark X64(OpenGL 4.0)，1024*640，分数 39189，FPS：653

PixMark Julia FP64(OpenGL 4.0)，1024*640，分数 20019，FPS：333

鲁大师

显卡分数 337926分

带宽测试

上传速度最高 24.15Mbps，下载速度最高 99.5Mbps。

网络延迟

最快延迟 1ms，平均延迟 31.1ms

推荐阅读



最后修改：2024 年 02 月 24 日
© 允许规范转载
如果您觉得我的文章有帮助，请随意赞赏，赞赏有助于激发博主的热情，感谢！