专用gpu内存就是显存吗

---

一、为什么我玩游戏时显存一半用在了独显上，一半用在了共享gpu上？专用GPU内存是不与其他设备共享的专用图形内存。
下面的共享GPU内存是独立显卡使用的首选内存容量，通常是内存量的一半。无需调整其他设置。

---

二、什么是GPU的专用内存和共享内存？

在深度学习训练中，需要在专用GPU内存和共享GPU内存之间进行选择

当我们讨论TensorFlow在GPU上的内存管理时，经常会出现一个问题：是否使用共享GPU记忆？答案并不那么简单，因为它涉及GPU内存的类型及其在训练过程中的作用。首先，让我们澄清一些关键概念。

专用GPU内存

专用GPU内存是专门为GPU保留的高速存储空间。就像NVIDIA显卡的显存一样。它提供对GPU计算的直接访问。这种高带宽、低延迟的内存对于深度学习训练至关重要，因为它支持大规模并行计算的高效执行。然而，TensorFlow无法直接使用系统RAM的这块区域，因为CUDA（NVIDIA的并行计算平台）只能访问GPU的专用内存。

共享GPU内存

共享GPU内存通常是指在GPU和其他系统组件之间共享的系统RAM。在某些情况下，例如IntelHD系列集成显卡，系统可能会将部分内存拆分为共享内存，以便GPU在需要时使用。然而，由于PCIe接口的限制，共享内存的带宽远低于专用内存，这可能会导致数据传输速度较慢，从而影响训练效率。

在Windows10的任务管理器中，你看到的“共享GPU内存”实际上是系统分配给GPU的优先内存，以适应GPU和其他应用程序的需求。如果显存不足，系统会优先使用该部分内存，以减轻显存压力。但是，这可能会导致性能下降，尤其是在处理需要大量内存的计算时。

权衡与选择

在实际应用中，当GPU显存足够大时，专用GPU显存是深度学习训练的理想选择，因为他提供了你表现最好。但是，当显存不足时，Windows使用共享内存来补偿。但是，这会影响训练速度。因此，共享内存的选择取决于系统的具体配置和训练任务的要求。

一般来说，深度学习训练首选专用GPU显存，但当资源有限时，可以使用共享显存作为应急策略。了解这些内存类型的差异和作用，可以帮助我们更好地优化GPU资源的分配，从而提高深度学习训练的效率。