【IT168 评测】时至今日，NVIDIA推出Fermi架构也已经有近2年的时间了。在这段时间里，无论是消费级的游戏卡，还是绘图应用的专业卡，抑或是在超级计算机中，都可以看到Fermi架构的身影。同时，得益于Fermi架构的成功，包括我们所熟悉的天河一号A、曙光星云等多个世界优异排名的超级计算机都采用了Fermi架构的计算核心。而今天我们所谈到的，是应用在专业卡领域的Fermi架构产品，也就是大家熟悉的Quadro系列。

　　在本次横评之前，我们首先要了解的是什么是Fermi架构。只有了解了这个架构，才能够对下面的测试数据及显卡本质有了深刻的认识。也正因为如此，我们将耗费大量的笔墨讲解Fermi架构的好处。当然，这些内容看起来似乎并不那么容易理解。

Fermi CUDA计算架构

　　Fermi架构是继G80架构之后的又一重要的GPU架构。G80架构在时nvidia公司最初的通用计算GPU架构，既可以做图形计算，也可以用来做并行计算。GT200架构扩展了G80架构的特点和功能。对于Fermi而言，是Nvidia公司总结G80和GT200架构以后，几乎是重新设计的专门针对于通用计算的GPU架构。Fermi的设计采纳了用户在使用G80和GT200架构时候给出的建议。Fermi的主要设计针对于以下几点：

　　单精度的计算大概是桌面CPU的10倍的时间左右，并且一些应用需要GPU提供更强的双精度运算。

　　ECC的添加，使得内存有容错的能力。

　　有些并行计算并不一定能使用到shared memry，所以更多的需求是在内存访问中加上缓存。

　　有些CUDA程序需要超过16KB的SM shared memry来加速他们的运算。

　　用户需要更快的应用程序和图形显示之间的资源切换。

　　用户需要更快的原子读写操作来加速并行程序运算。

　　根据以上的需求，Fermi的设计团队通过新的架构设计增加了它的计算能力，并且支持更好的可编程能力和计算效果。Fermi的主要的架构更新如下：

Fermi图形渲染架构

　　第三代的Streaming Multiprcessr

　　每个SM包含32个CUDA计算cre，是GT200的4倍

　　8倍于GT200的双精度浮点计算

　　Dual Warp调度策略，可以使得在一个时钟周期内同时启动两个warp进行计算

　　64KB的RAM支持可配置的shared memry和L1缓存

　　第二代的线程并行计算ISA架构

　　统一的地址空间，完整的支持C++特性

　　针对penCL和DirectCmpute做了优化设计

　　完整支持IEEE 754‐2008 32bit 和64bit 精度

　　通过分支预测来增强计算能力

　　增强的内存操作子系统

　　Nvidia的并行数据缓存，支持L1和L2的可配置能力

　　第一个支持GPU内存的ECC

　　增强了内存原子操作能力

　　NVIDIA千兆线程引擎

　　10倍的上下文切换能力

　　并发的kernel执行

　　支持blck乱序执行

　　双重叠的内存访问引擎

第一块Fermi GPU只用了30亿个晶体管，包含512个有CUDA计算能力的core。每一个CUDA core可以在一个时钟周期里面执行一次浮点数运算或者一次整数运算。512个core分别分布在16个SM里面，每一个SM里面包含32个core。包含6个64位的内存partition，有384bit的内存带宽，支持最多6GB的GDDR5 DRAM。通过PCIE和CPU进行链接。千兆线程管理器会自动管理线程调度到不同的SM上进行运行。

Fermi架构第三代流处理器群示意图

　　第三代的SM架构不只是增强了SM的计算能力，同时使得可编程性和效率得到提高。每一个SM都包含32个CUDA计算核心，每一个核心都有完整的整数计算单元和浮点数计算单元。以前的GPUs都是用IEEE 754-1985的单精度浮点标准。Fermi采用的是IEEE 754-2008的单精度浮点标准，单精度和双精度都同时支持FMA功能FMA是通过MAD来完成乘法和加法操作，同时保证没有精度的损失。FMA的精确计算能力超过了通过指令分解来完成的同样的工作。GT200支持了双精度的FMA。

　　ALU几乎采用完新的设计，支持64bit和扩展的精确的指令运算，同时支持计算，移位，布尔值，比较，转化和更多的指令操作。

　　16个内存存/取单元

　　每一个SM包含16个内存存/取单元，可以保证源和目标地址可以在一个周期内同时由16个线程来进行操作。支持缓存和DRAM的任何位置的读取。

　　特性函数处理单元

　　特性函数处理单元处理超越函数，包括sin，cosine，求倒数，平方根。每一个SFU在一个周期内每一个线程可以执行一个指令操作，每一个warp执行需要8个周期。指令分发器可以按照当前SFU的运行情况来分发指令，当一个SFU在进行运算的时候，可以将指令分发到其他的SFU处理单元。

　　双精度的浮点计算

　　双精度的浮点计算在高性能计算中有着核心的重要位置，在求解线性代数中，数值计算量子化学中都会需要双精度浮点运算。Fermi架构为支持双精度浮点运算进行了特别设计每一个SM在一个时钟周期内可完成16个双精度浮点数的FMA操作。是在GT200架构以后又一激动人心的设计。

　　双指令发送单元

　　Fermi的每一个SM都有两个指令发送单元，可以同时让两个warp相互独立的并发运行。Fermi的Dualwarp调度机制可以同时并发调度两个warp的一条指令分别在16个一组的CUDAcores上进行计算，或者在16个存/取单元运行，或者4个SFU上运行。Fermi的调度器并不需要在指令流之间进行附属检查。利用如此优美的双发射调度机制，使得Fermi可以让硬件的计算能力达到极致。

　　非常多的指令可以进行双发射，例如两条整数运算指令，两条浮点数运行指令，或者混合的整数，浮点，存　取，和SFU特殊处理指令都可以被并发执行。单精度和双精度的指令一样可以并发执行。

　　容量为64KB的共享内存与L1缓存

　　在核心上的共享内存对可编程性和运行效率都是强有力的支持。共享内存可以让同在一个block的线程之间进行协作，并且可以重复利用在片上的内存，来减少片外内存访问的开销。共享内存在很多高性能CUDA应用程序中都起到了关键的作用。

　　G80和GT200的每一个SM都有16KB的共享内存。在Fermi的架构中，每一个SM都有64KB的共享内存，这些内存可以被配置成48KB的共享内存和16KB的L1缓存，或者配置成为16KB的共享内存和48KB的L1缓存。

　　对于已经使用共享内存的程序来说，可以提供3倍的共享内存的支持，尤其是那些由于带宽引起的问题。对一些已经使用了共享内存作为缓存的应用程序来说，代码可以简化为直接使用系统硬件提供的缓存，同时还可以使用16KB的共享内存来使线程进行交互。最好的情况就是一些原本就没有使用共享内存的程序，直接利用L1缓存，可以使得CUDA程序运行需要更少的时间，得到更高的性能。
 

　　Fermi是第一个支持并行线程处理（PTX）2.0指令集的体系架构。PTX是一个底层的虚拟机和ISA架构，来支持并行运算。在程序安装的时候，PTX指令就会被GPU的驱动程序翻译为机器码。
PTX最主要的目标：

　　提供跨多卡GPU的稳定的ISA指令

　　在编译的时候使得程序达到GPU最高的性能

　　提供系统无关的ISA指令，可供C，C++，Fortran或者其他语言使用

　　提供代码分布式的ISA架构给应用程序和中间件开发者

　　提供通用的ISA架构，来支持不同平台上的代码的优化和转译

　　使得开发lib和高性能的kernel函数更加的简便

　　提供scalable的编程模式，可以使得程序支持不同数目cores的GPU

　　PTX 2.0 有一些很多新的特性，使得GPU在有更高的可编程性，更精确，和提供更高的性能。这些包括：完整支持IEEE 32bit 的单精度浮点数，统一的寻址支持变量和指针，新的指令来支持OpenCL和DirectCompute。最终刚要的是，PTX 2.0对完整支持C++做了特殊的设置——统一寻址完整支持C++。

　　Fermi和PTX2.0ISA实现了统一寻址空间，可以统一寻址3种不同的内存地址（线程私有变量，block的共享内存和全局内存）来进行存/取操作。在PTX1.0中，存/取指令需要指定在这三种地址中那一个进行寻址，程序可以在编译的时候就知道在特定的那个地址进行寻址。这样就很难完全满足C和C++的指针在编译的时候指向不确定地址，而只有在运行的时候才知道确切地址的情况。

　　通过PTX2.0的统一寻址空间，让三种地址空间通过唯一的连继续的地址空间进行寻址。单一的寻址空间进行统一的存/取指令操作在这样的地址空间上，代替了在三种空间上都要进行不同存/取的方法。40bit位宽的可以支持TB的寻址空间，ISA架构可以提供64bit的位宽寻址空间，为将来的扩展提供支持。

　　统一地址空间的实现，可以让Fermi真正完全的支持C++编程。在C++中，所有的变量和函数都在一个object中，通过指针进行访问。PTX2.0就可以通过统一指针管理方式找到任何内存上的目标，Fermi提供的硬件寻址方式可以自动的把指针映射到正确的物理地址。

　　Fermi和PTX2.0ISA同样提供C++虚函数的支持，函数指针的支持，新建和删除操作动态分配目标和回收资源。C++的异常操作try和catch同样被支持。

　　block组织的grid，同步，同一个block里面共享内存，全局内存，还有院子操作。Fermi第三代支持CUDA的架构，很自然很好的优化支持了这些API。更特别的，Fermi利用标准的转换方式，从硬件上支持OpenCL和DirectCompute的接口指令，可以让图形计算和通用计算很简单的操作在相同的数据上。PTX 2.0 ISA同样增加了对DirectCompute的指令population count，append和bit‐reverse。

  　　OpenCL和Directcomputer和CUDA的编程模型很相近，几乎使用相同的线程，block组织的grid同步同一个block里面共享内存，全局内存，还有操作。Fermi第三代支持CUDA的架构，很自然很好的优化支持了这些API。更特别的，Fermi利用标准的转换方式，从硬件上支持OpenCL和DirectCompute的接口指令，可以让图形计算和通用计算很简单的操作在相同的数据上。PTX 2.0 ISA同样增加了对DirectCompute的指令population count，append和bit‐reverse。

　　单精度的浮点数由硬件默认的支持，包括四个IEEE 754-2008支持的标准（无限趋近，零，最大值和最小值）。在浮点系统中，Subnormal是处于最大值和最小值之间的数。在较早的的GPU架构中，通常情况下把这一范围的浮点数归于0，这样一般都会损失精度或者让程序发生一些意想不到的错误。CPU通常情况下都要通过额外的软件方式来处理，一般需要上千个的周期。Fermi是通过硬件来处理subnormal浮点数，可以精确的计算小于0的浮点数而没有精度损失。

　　通常情况下在GPU上完成的计算，像线性代数，一些科学常用的程序，都是两个数相乘然后加上第三个数，例如：D=A*B+C。以前的GPU架构通常情况下都是利用乘加指令来完成（MAD），可以让两个操作在一个指令周期内完成。MAD指令使用了分断的乘法，然后使用了取整的加法。Fermi使用了更高精度的FMA指令，不但可以支持32bit的单精度的操作，也满足64bit双精度的需求。（GT200只支持双精度的FMA）在这样的精度保证下面，更多的算法都可以受益，像渲染算法，一些迭代的数学算法，更快的除法和求平方根的算法。

　　在PTX 2.0 ISA中所有指令都增加了预处理，这样可以更快更容易执行可以运行的部分。在执行if-else的时候，SM会计算每一条分支需要执行的条件，增加一个可以满足的条件，硬件都会执行那个分支。有了分支预测以后就可以更多的分支一起运行，比一条分支一条的执行会更有效果。Fermi的架构增加的条件判断隐藏了分支运算中的overhead。

　　通过了解不同的成千上万的应用程序，我们发现shared memory可以解决议部分程序的问题，但是不能解决所有的问题。一些应用程序天然的就需要共享内存，有些应用程序需要cache，有的既需要shared memory也需要cache。优化的内存设计可以既提供shared memory也提供cache，可以让程序员根据自己的需求来做选择。Fermi的架构可以支持两种需求。

　　在Fermi的架构中，每个SM都包含64KB的高速RAM，可以配置为48KB的共享内存和16KB的L1缓存，也可以配置为16KB的共享内存和48KB的L1缓存。当使用48KB的共享内存的时候，程序可以动态的分配内存，（像electrodynamic的模拟）可以让程序有三倍性能的提升。有的程序访问的地址不是预先分配的，48KB的L1缓存就可以更好的支持直接访问DRAM的程序。 两种情况的配置，L1缓存都可以增加临时寄存器的使用，以避免溢出。以前的GPU架构都是直接把寄存器分配到对应的DRAM增加了访问的延迟。通过L1缓存，更好的支持了临时寄存器的使用。 Fermi有768KB的统一的L2缓存，可以支持所有的存取和纹理操作。L2缓存和所有的SM都相通。L2提供有效和高速的数据支持。有些算法不能在运行前就确定下来，像一些物理问题，光线跟踪，稀疏矩阵乘法，尤其需要缓存的支持。过滤器和转换器需要所有的SM都去读取相同数据的时候，缓存一样会有很大的帮助。

　　Fermi是第一款支持内存错误检查和修复（ECC)的CPU架构。在使用FPU做大数据量的处理和高性能计算的时候，ECC是有大量的需求。在医疗图像处理和大型集群中ECC是特别有需要的特性。

　　正常情况下的内存位的存储错误，都会引起软件的错误。ECC就是在上述错误没有多系统造成影响的情况下，用来检查和纠正这样的错误。由于这样的错误会根据系统的增大线性的增加，ECC就成为大型集群中必不可少的需求。

　　在进行测试之前，先来介绍一下我们横评使用的平台。考虑到处理器的主频及线程对于Quadro显卡会产生瓶颈，这里我们选择了双路的至强X5660系列，与之搭配的是惠普Z600工作站。

　　和工作站测试不同，要想充分检测Quadro显卡的性能，我们最新的Windows 7系统虽然很先进，但是不能够支持SPEC软件。因此，这里我们只能选择之前主流的XP操作系统，当然这款操作系统在国内已然有着不少的受众。

作为Fermi系列的低端产品，Quadro 600显卡主要定位在入门级领域，是初级3D应用人士的好选择。

Quadro 600显卡规格介绍

　　Quadro 600显卡基于GF108核心，拥有96个流处理器，搭载GDDR3显存构成1GB/128bit规格，配备DisplayPort和DVI接口各一个，TDP为40W。在显存方面该款显卡由多颗DDR3显存组成1GB 128bit的显存规格，大容量的显存能够尽可能的满足系统运算的需求。丽台Quadro 600显卡配备DVI与DP接口，能够接驳专业显示器使用。

　　应该说，在最新的Fermi核心Quadro显卡中，Quadro 2000并非是最低端的一款，但却是最容易被大众接受的一款。我们知道，受限于Fermi架构的成本，新Quardo的售价都比较高，之前我们测试过的Quadro 5000超过了2万元人民币。而本次我们介绍的Quadro 2000价格却便宜得多，它目前的国内售价不足4000元，易于被专业人士所采用。

Fermi架构Quadro 2000显卡
Quadro 2000风扇拆解

显卡使用的GF106核心

显卡接口，提供了1个DVi和2个DP（同一时间，3个接口中只能有2个处于活动状态）

Quadro 2000显卡使用的显存颗粒

　　Quadro 2000显卡基于GF106核心，，有192个流处理器、128-bit 1GB GDDR5显存，核心/流处理器/显存频率625/1250/2600MHz，带宽41.6GB/s，输出接口有1个双链接DVI-I、2个DisplayPort，支持DX11、OpenGL 4.0、CUDA、3D Vision Pro、64x FSAA、SLI Multi-OS等技术，整卡最大功耗62W。

Quadro 4000

　　Quadro 4000显卡搭配了256个流处理器(CUDA核心)，256-bit 2GB GDDR5显存，带宽89.6GB/s，一个双链接DVI-I和两个DisplayPort输出接口，支持64x FSAA全屏抗锯齿，最大功耗142W，单插槽散热器，尺寸9.50×4.376英寸(241.3×111.1厘米)，支持双精度浮点运算。

Quadro 5000显卡

Quadro 5000显卡背面有巨大的散热片

使用独立的一个6PIN接口供电

SLI接口和SDI接口

显卡的外部接口，有1个DVI和2个DP接口

Quadro 5000显卡规格

　　Quadro 5000显卡的规格非常强大，提供了352个CUDA核心，显存容量达到了2560MB，显存位宽为320bit，显存带宽为120GB/s。对比上一代的FX5800来说，它的流处理器数量提升了160个，显存容量提升了1GB，显存带宽提升了43.2GB/s；唯一遗憾的是显存位宽略有下降。从这些数值来看，我们可以明显感觉到Quadro 5000在性能上会有比较大的提升，当然具体的提升幅度还是要测试之后才知道。

　　CineBench是基于Cinem4D工业三维设计软件引擎的测试软件，用来测试对象在进行三维设计时的性能，它可以同时测试处理器子系统、子系统以及显示子系统，我们的平台偏向于多一些，因此就只有前两个的成绩具有意义。和大多数工业设计软件一样，CineBench可以完善地支持多核/多处理器，它的显示子系统测试基于OpenGL。

　　CineBench测试成绩分为两部分，这里我们只截取了显卡的部分。通过这个数据对比我们发现，虽然从高到低，显卡的成绩与定位成正比，但是除非是优异的Quadro 5000，其他3款产品的差距并不大。换句话说，这不能反映出显卡的真实性能差距。R10这款软件太老了，在这次横评之后，我们在未来的测试中也将放弃它。

　　CineBench R11.5的计算方式与上一代的R10有着明显的不同，从这里可以看到了阶梯状的成绩区间，这个表现是与显卡的定位相符的，也是正常的。

　　SPECapc for 3ds Max 9是基于典型用户的使用情况设定的负载，在测试过程中会涉及到wireframe modeling、shading、texturing、lighting、blending、inverse kinematics、object creation and manipulation、editing、scene creation、particle tracing、animation 和 rendering。3ds Max 9提供了32位/64位两种版本，我们使用的是32位版本。

　　我们在3dsMax 9软件测试中，虽说Quadro 600是最低端的产品，但是从成绩来看它的表现并没有想象的那么差，也不像之前的测试那样长期处于垫底的位置。事实上，它在部分项目中的成绩甚至比Quadro 2000还强一些。Quadro 4000和5000虽然定位差距不小，但是实际的表现却没有那么大。最后说一句，这个成绩是越小越好的。

　　SPECViewperf 9.0是专业级、符合工业标准的 OpenGL 图形显示卡效能测试分析软件，其测试项目有六项：3dsmax、DRV、DX、Light、ProE、Ugs，包括软件执行效能仿真(3dsmax、ProE)、以及动画公园场景仿真(Light)。等等，可以产出相关的分析数据。

　　SPECViewperf 9软件测试中，许多项目中其实各个显卡的成绩差距并不大，唯一可以看得非常清楚的就算是Maya了。作为3D应用的主要平台之一，Maya平台承载了大量的应用，因此我们也结合这个数据进行分析。基本可以看出，从Quadro 600到Quadro 2000还是有提升的，只是并不大；而在Quadro 2000、Quadro 4000和Quadro 5000中，差距是非常明显的，正是这个项目让用户的钱花得物有所值。

　　既然刚刚提到了Maya，那么我们就来看看在Maya 2009上各款显卡的表现吧。

　　Autodesk Maya2009中有很多的改进，它可以帮助你更有生产力，包括Maya的Assets（资产），预选高亮（Pre-Selection highlighting），热图显示（Heat Map Display），属性传递（Transfer Attribute）以及强大用户界面更新。此外，您还可以发现Maya 2009中显著的性能改善，在许多领域，包括支持多线程的工作和算法，而且它相比之前版本的速度更快，加速模拟和渲染的表现，甚至可以支持更多巨大的场景。

　　Maya 2009是CG应用中常见的基础平台，能否在此平台上流畅运行，也关系到CG制作的实际时间。从测试结果来看，除了Quadro 5000异军突起之外，其他3款显卡在这个项目中的表现并没有悬殊的差距，Quadro 4000和Quadro 600的实际表现只差不到10%。

　　去年6月底，SPEC组织旗下的图形性能测试项目组（SPECgpc）正式推出了Specviewperf 11工作站用专业图形综合测试软件，新版本的主要变化是采用了新的图形测试界面，以及增加了用于测试的新款专业级3D应用程度片段。SPECviewperf 11采用的新GUI图形界面令首次使用这款软件的新人也能很容易上手运行测试，读取测试成绩以及获取帮助信息等，此外，Windows和Linux操作系统下均使用同样的测试脚本，保证了不同平台下测试结果的可比性。

　　新版SPECviewperf 11中包含有8个不同的测试环节，每个环节都能模拟一款CAD/CAM软件，某些测试场景中甚至包含有超过6000万个顶点数据，能够充分测试出参测系统的整体性能与显卡的OpenGL性能。

　　最后我们给出的是SPECviewperf 11测试成绩，测试的分辨率1920*1080。结合分辨率来说，越是低端的显卡越吃亏，因为更高的分辨率只能带来更差的性能表现。所以我们看到，Quadro 5000几乎囊括了所有的第一，这一点儿都不奇怪。就准确性来说，SPECviewperf 11是目前最新版本的专业卡测试软件，它的模型及特效应用都是最新的，也最能反映出显卡的实际表现。

　　横评总结：本次我们单独列举了4款Quadro Fermi架构的显卡进行评测，仅仅是希望通过对比让大家看到Quadro家族中显卡的性能差距。而从本次横评来看，并非高端的型号在应用中就一直保持优势，中低端的显卡在特殊的情况下也能提供不错的性能。由此，买显卡还得量力而行，只求最好，不求最贵，并非是上上策。