共享gpu内存可以变成专用内存吗

---

一、显存是共享GPU内存加专用GPU内存，还是只是共享GPU内存？显存分配模式主要有两种：共享GPU显存和专用GPU显存。在当前的图形技术中，内存资源是共享的，这意味着如果您的计算机有8GB内存，并且为图形保留2GB，则系统实际可用的内存将显示为6GB。这种共享机制在一些早期的独立显卡中也存在，工作原理与主流显卡类似。显存的分配方式直接影响操作系统和应用程序的兼容性。
与一些早期图形不同，一些现代高端GPU可能具有专用图形内存。当显卡内存有限时，即使系统内存紧张，也能让显卡高效工作，而不影响整体系统资源。

---

二、什么是专用GPU内存，共享GPU内存？

深度学习训练中，专用GPU内存和共享GPU内存的选择

在讨论GPU上的TensorFlow内存管理时，一个常见的问题是：我们是否应该使用共享GPU记忆？答案并不那么简单，因为它涉及GPU内存类型及其在训练过程中的作用。让我们首先澄清一些关键概念。

专用GPU内存

专用GPU内存是GPU特有的高速存储，就像NVIDIA显卡上的视频内存一样，提供直接访问GPU处理。这种内存具有高带宽和低延迟，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的该区域，因为CUDA（NVIDIA的并行计算平台）只能访问专用GPU内存。

共享GPU内存

共享GPU内存通常是指GPU和其他系统组件共享的系统RAM。在某些情况下，例如IntelHD系列集成显卡，系统可以将部分内存划分为共享内存，供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的优先级内存，用于平衡GPU和其他应用程序的需求。当显存较低时，系统会优先使用这部分内存来缓解显存压力，但这可能会导致性能损失，尤其是在处理需要大量内存的计算时。

评估与选择

在实际应用中，如果GPU显存足够大，专用GPU显存是深度学习训练的理想选择，为什么提供最佳性能。但如果视频内存较低，Windows将使用共享内存进行补偿，但这可能会影响训练速度。因此，共享内存的选择取决于具体的系统配置和训练任务的需要。

一般情况下，专用GPU内存是深度学习训练的首选，但当资源有限时，可以使用共享内存作为应急策略。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资源分配，以提高深度学习训练的效率。

---

三、什么是共享GPU内存1、当独立显卡专用显存不足时，系统将启用共享内存，以扩展共享内存容量。
2在双显卡系统中，集成显卡通常使用共享显存，而独立显卡则使用自己的专用显存。
3视频内存通常比系统内存(RAM)更快，因此共享内存可以提供比常规内存更快的数据访问。