RTX 2070 super与GTX 1060 6G的性能对比

最近两天，我入手了一个RTX 2070 super 8G的GPU，想要替换掉原来的GTX 1060 6G的GPU。虽说网上都说新入手的GPU的性能比原来的强大得多，我还是通过一个简单的实验来对比了一下两张GPU做深度学习的效果。

实验配置是在一台配置了i5 8500，16G RAM的电脑上完成了。在这台电脑上，分别测试两张显卡对同一个深度模型进行训练所需要的时间，所测试的情况包括如下集中：

1、RTX 2070 super，epoch=5，batch_size = 200，数据集放置在机械硬盘上。每个epoch的训练用时为：[54.04, 54.15, 54.12, 54.07, 54.09];

2、RTX 2070 super，epoch=5，batch_size = 300，数据集放置在机械硬盘上。每个epoch的训练用时为：[52.64, 52.80, 52.57, 52.62, 52.67];

3、RTX 2070 super，epoch=5，batch_size = 200，数据集放置在固态硬盘上。每个epoch的训练用时为：[53.22, 53.12, 53.00, 53.99, 53.22];

4、RTX 2070 super，epoch=5，batch_size = 300，数据集放置在固态硬盘上。每个epoch的训练用时为：[52.56, 52.49, 52.46, 52.35, 52.53];

5、GTX 1060，epoch=5，batch_size = 200，数据集放置在机械硬盘上。每个epoch的训练用时为：[83.66, 83.66, 83.62, 83.55, 83.60];

对比1和5的结果发现RTX 2070 super的训练速度相较于GTX 1060要快上35%左右，训练速度的提升还是蛮明显的。

由于新显卡有着更高的显存，因此每一批可以容纳下更多的张量数据，因此可以通过调大batch_size来保证GPU有着更高的使用率，对比1和2的结果，发现训练速度还是有一定的提升的。

考虑到对图片数据的读写速度也会影响模型训练的用时，因此我将训练集从机械硬盘放置到固态硬盘上，结果显示在3上，对比1的结果，训练速度也有一定的提升。

最后我使用高batch_size并且使用在固态硬盘上的数据做训练，得到4的结果，这也是所能得到的最佳结果。

综上，或许可以得到以下结论：对于深度学习训练速度的提升效果，显卡性能>batch_size>固态硬盘。