显存与显卡的内存大小有关吗？

Posted 2023-04-04

先说一句，显存就是显卡的内存，显卡有显存位宽和显存之分，没有什么显存和显卡的内存之分

　显存，也被叫做帧缓存，它的作用是用来存储显卡芯片处理过或者即将提取的渲染数据。如同计算机的内存一样，显存是用来存储要处理的图形信息的部件。我们在显示屏上看到的画面是由一个个的像素点构成的，而每个像素点都以4至32甚至64位的数据来控制它的亮度和色彩，这些数据必须通过显存来保存，再交由显示芯片和CPU调配，最后把运算结果转化为图形输出到显示器上。显存和主板内存一样，执行存贮的功能，但它存贮的对像是显卡输出到显示器上的每个像素的信息。显存是显卡非常重要的组成部分，显示芯片处理完数据后会将数据保存到显存中，然后由RAMDAC（数模转换器）从显存中读取出数据并将数字信号转换为模拟信号，最后由屏幕显示出来。在高级的图形加速卡中，显存不仅用来存储图形数据，而且还被显示芯片用来进行3D函数运算。在nVIDIA等高级显示芯片中，已发展出和CPU平行的“GPU”（图形处理单元）。“T&&L”（变形和照明）等高密度运算由GPU在显卡上完成，由此更加重了对显存的依赖。由于显存在显卡上所起的作用，显然显存的速度和带宽直接影响到显卡的整体速度。显存作为存贮器也和主板内存一样经历了多个发展阶段，甚至可以说显存的发展比主板内存更为活跃，并有着更多的品种和类型。现在被广泛使用的显存类型是SDRAM和SGRAM，从去年开始，性能更加优异的DDR内存首先被应用到显卡上，促进了显卡整体性能的提高。DDR以在显卡上的成功为先导，全面发展到了主板系统，现在，一个DDR“独领风骚三两年”的时代即将呈现在世人面前。

显存位宽是显存在一个时钟周期内所能传送数据的位数，位数越大则瞬间所能传输的数据量越大，这是显存的重要参数之一。目前市场上的显存位宽有64位、128位和256位三种，人们习惯上叫的64位显卡、128位显卡和256位显卡就是指其相应的显存位宽。显存位宽越高，性能越好价格也就越高，因此256位宽的显存更多应用于高端显卡，而主流显卡基本都采用128位显存。 参考技术A 显存与显卡的内存大小是有一定关系的。板载显卡是要占用主机内存的。独立显卡分为三种情况：一是独立显存可以在显卡上查到的；二是tc显存是要占用主机内存的；三是显存可以在cmos里设置增加，根据自己的情况而定，所以开机显示的显存会大于实际内存。 参考技术B 显卡不是需要显存吗，通常是有板载显存，但使用了这个技术就可以额外使用内存来当做显存用，就好比虚拟内存是拿硬盘一定容量当内存用一样。
不过起初这个技术是用于集成显卡，因为是集成，所以必须要有内存来当显存，而现在也应用于独显，比如一个显卡上标了TC1G显存，那么可能这个显卡实际内存只有512M，而另外512的显存则是调用内存，虽然这样做不是坏事，但JS喜欢用它来骗小白，不知道的就看显存好大，就买下了，事实上，内存做成的显存性能远不如显卡的板载显存，而且显存也不是一块显卡中最重要的参数。 参考技术C 有关追问

能不能给予详细说明，谢谢了。。。

参考技术D 显存等于显卡的板载内存

关于tensorflow的显存占用问题

参考技术A 随便记录下观察结果（也不一定对）
如果tensorflow和pytorch 同时初始化在一个GPU中，会导致tensorflow变慢
但是让tensorflow先初始化，问题可能会得到改善

都知道tensorflow如果不限制，会把显存吃满，导致其他框架的模型无法初始化。有个比较奇特的一点，对每一个模型限制内存后 ，两个相同参数量tensorflow模型都初始化完毕后显存占用却和一个差不多，看起来是相同计算框架下面可以共存部分。但是如果不限制，会直接初始化失败，就不能共存。

如果有相关研究比较深入的，望讲解一下，谢谢