NVIDIA GeForce RTX 2080 Ti性能随手测

我们先看一下2080 Ti的产品外观。

这部分不多介绍，直接看图。我们拿到的是GIGABYTE的非公版卡，具体产品型号是：GIGABYTE GeForce RTX 2080 Ti Windforce OC 11G。

好了，下面来给大家看一下这款产品的实拍图，并且和1080 Ti进行一下对比。（说明一下，1080 Ti是Cortex Labs用来做深度学习的MSI 1080 Ti涡轮风扇，具体产品型号是：MSI GeForce GTX 1080 Ti AERO 11G OC）

（2080 Ti外包装）

（1080 Ti和2080 Ti实拍正面对比）

（1080 Ti和2080 Ti实拍厚度对比）

（细节参数来自GIGABYTE官网）

看完了产品，要对测试环境进行一下准备。

我们使用的是办公室现成的SuperMicro SuperServer 4028GR-TR机器学习服务器作为测试平台，服务器基础配置如下：

主板：Super X10DRG-O+-CPU

CPU：intel® Xeon® processor E5-2600 v4†/ v3 family (up to 160W TDP) *

Dual Socket R3 (LGA 2011)

内存：2400 MHZ DDR4 SDRAM 72-bit

系统：Linux Ubuntu 18.04

然后交代一下测试的挖矿算法：

一般来说，GPU做挖矿性能测试，会主要选择ETH的Ethash算法或者ZEC的Equihash算法。但目前都有矿机厂商针对这两个算法研发并量产了ASIC矿机。不过，Ethash算法由于对显存有比较高的需求，Ethash ASIC矿机对GPU挖矿的影响并不是很大，而Equihash ASIC矿机则对GPU挖矿的影响却很大（A9、Z9 mini等机器）。因此，我们这里选择ETH的Ethash算法进行测试。

最后还要介绍一下挖矿软件的选择：

我们最初选择相对矿工更熟悉的Claymore挖矿软件进行测试。但在实际测试中，Claymore还没有对2080Ti进行完美适配。最终我们选择EthMiner作为挖矿软件。

准备工作都已经完毕，我们正式把两个显卡全部装到服务器机上去，并安装好驱动。

1080 Ti的驱动版本为：NVIDIA-Linux-x86_64-390.87.run

2080 Ti的驱动版本为：NVIDIA-Linux-x86_64-410.57.run

（1080 Ti和2080 Ti已经全部安装好）

激动人心的时刻马上就要到了！！！

开机，我们可以看到，两个卡驱动都正常。

（Linux系统下查看GPU信息，显示信息不完整）

（再来一张完整信息的图）

运行EthMiner，两个卡都能顺利挖矿，并显示出本地算力。趋于稳定后，我们截图来看。

      （GPU0为2080 Ti，GPU1为1080Ti）

从图中我们可以看到，两款显卡在均未超频情况下，在Ethash算法下的算力表现分别为：

1080 Ti  算力：32.46 MH/s  功耗：212W

2080 Ti  算力：50.90 MH/s  功耗：257W

这里我们还能看到，2080 Ti相对于1080 Ti的提升还是相当明显的，Ethash算法下的算力提升达到了56.8%。而功耗则只增加21.2%。

不过，在过去使用1080 Ti挖矿的过程中，其实已经有很多对1080 Ti算力进行优化的工具。而目前2080 Ti则还没有类似的程序出现。我们选择一款常用的软件对1080 Ti进行算力优化后，看看差距还有多少？

（使用了1080 Ti算力优化工具后，两个显卡的算力表现）

开启了优化工具后，我们可以看到，GPU1（也就是1080 Ti）的算力已经从32.46 MH/s提升到了45.19 MH/s，提升了12.73 MH/s。而此优化工具，对2080 Ti则没有优化效果。这样一来，1080 Ti和2080 Ti在Ethash算法下的算力差距只有5.7 MH/s左右。

测试到这里，可能大家会吐槽，难道2080 Ti的性能提升只有这么一点？

其实并不是这样的，1080 Ti的产品周期毕竟已经进入尾声，经过这么多年的沉淀，已经有无数人针对这款产品进行了反反复复的提升和优化。而2080 Ti目前还没有太多人拿到产品，更谈不上进行优化。虽然我们这次测试最终的差距结果不是很大，但这是一个“上代产品优化到极致”与“新生产品纯粹原生态”的较量，并且只是在Ethash算法下的性能表现。因此，这个数据测试也仅对当前时间的特定算法下有参考意义。

就在我们运营组的小伙伴测试完挖矿的性能之后，AI部门的小伙伴也迫不及待开始部署机器学习任务到服务器上。用最快的速度，在服务器上实现了以下操作（描述来自AI研发的小伙伴）：在cifar10数据集上，使用resnet50进行图片分类任务（分类数10类，图片尺寸resize到（224，224））。在最新的cuda 10.0+pytorch 0.4.1+cuDNN 7.3 环境上，对 2080ti和1080ti两块显卡分别进行了训练+推断的测试。测试的结果如下：

（1080 Ti运行中）

（1080 Ti的训练时间约为280.66s，推断的时间约为18.54s）

（2080 Ti运行中）

（2080 Ti的训练时间约为235.30s，推断的时间约为17.12s）

通过以上测试，我们发现，2080 Ti相对于1080 Ti，将训练耗时缩短了16.16%；将推断耗时缩短了7.7%。

不过，考虑到现有的软件支持还不够成熟，此次的结果只是一个初步的参考。这个结果让我们感到差强人意。当然，后续我们还会有更深度的测试，会把我们开发团队的测试进展，分享给全社区的小伙伴。