大家好，關於顯示卡拓展塢對顯示卡效能的影響大家應該看了不少，基於雷電3介面的外接顯示卡拓展塢確實是筆記本提升圖形計算效能的方法，但損耗究竟有多大似乎並沒有人真正的透過測試來得出結論，大多數人測試的工具就是一把鍵盤一張嘴，真正有多少損耗甚至有沒有損耗都是這些人瞎編的，很容易給新人造成誤解。
開啟百度App，看更多圖片
所以今天筆者就在這裡給大家測試一下外界顯示卡塢到底會對一塊顯示卡造成多大的效能影響，這裡我們先簡單說一下整個測試平臺的配置，我們為了完全保證其他硬體的0損耗，特意配置了一塊滿血執行速度的THB-C介面雷電三拓展卡“技嘉GC-Alpine Ridge”，主機板是完美支援雷電3的技嘉Z390主機板，顯示卡是技嘉GTX1080，顯示卡拓展塢同樣也是技嘉的，同時為了保證整個PC平臺能更像一臺筆記本，我們把M2固態硬碟接在了顯示卡使用的PCI-E 3.0介面下方的M2介面上，來保證硬碟盒顯示卡同時經過南橋晶片，以達到類似筆記本爭奪DMI匯流排的情況（就只模擬膝上型電腦上最差的情況，也就是最大的損耗情況，這樣一來結果只會更好而不會更差）。
本次測試我們分為三個階段，分別是深度學習、跑分測試和遊戲測試，所以我們就先從對顯示卡圖形效能沒有任何要求、頻寬要求也不大的深度學習開始，畢竟很多時候筆記本想要進行深度學習就只能透過顯示卡拓展塢來提高效率，所以我們在這裡使用一個Ubuntu linux下的美股深度學習模型來進行測試，當然這個模型是隨便找到的，計算量並不大，大概是一個半成品，資料量較小，想要維持足夠長的時間就要多跑幾個回合，所以在這裡我們選擇跑10輪，每一輪500個迴圈（對深度模型有興趣的小朋友不要效仿筆者，這樣肯定會過擬合，整段垮掉的）。
在經過十輪測試之後，筆者用time函式取得在顯示卡塢中測試的時間，接下來再將顯示卡從顯示卡塢中拔下，插入主機板上的PCI-E 3.0介面再次跑十輪500迴圈，最終得出的結論如下圖，外界顯示卡的平均訓練時間要比內接長了兩秒，這是在兩者均沒有超過14秒的情況下存在的差距，可以說差距並不小，基本為百分之十八，但也得考慮到模型資料量過小的問題，程式執行開始之前和之後都會進行資料互動，使用顯示卡拓展塢的系統在開始的時候資料要從記憶體傳送到CPU再傳遞到顯示卡，結束之後又得將資料原路返回，相比無拓展塢的平臺要更加浪費時間，所以這個資料主要誤差還是在頻繁的資料互動上，而不是計算能力上。
接下來我們進行喜聞樂見的跑分測試專案，測試專案為windows 10 1803專業版+3Dmark，在timespy的壓力測試中顯示卡負載和頻率完全相同，連幀率波動的情況也完全相同，但CPU的負荷因為雷電3協議問題，需要處理更多的互動資料，所以溫度提高了5度，加速頻率也相應提高了一點；至於平均幀數，內接平均FPS為46，而外接平均幀率為42，看起來損耗為百分之九左右。
不過我們在玩遊戲之前還是對接下來的遊戲測試表示擔憂，因為影象顯示時候幀數越高，互動的資料就越多，資料衝突自然也就越嚴重，損耗肯定會加大，光說不練假把式，就讓我們來測試一下接下來的實際遊戲表現。既然我們已經說了要做到有理有據，那麼在遊戲中我們也要控制變數，所有遊戲畫質設定在顯示卡拓展塢接駁前後必須完全相同，《絕地求生》進入靶場手雷區域跑一圈再到射擊場跑一圈、《遠哭5》從美國修理站開deathwish到秋末鎮中途不停車、巫師3在城裡按照最外側路線兜一圈。
我們在測試之後發現了一個規律：幀數越高損耗也就越多，至少在孤島驚魂5和絕地求生中的確是如此，不過《巫師3》我們似乎在測試中出現了一點問題，那就是人物的變速跑，遊戲的變速跑沒有控制好時間導致城內自動出現卡頓的次數不同，這點不太嚴謹，那我們就用3Dmark中的壓力測試、遠哭5和絕地求生的三個數值來做一個一次函式，在45幀時損耗9%，100幀時損耗20%，130幀時損耗25%，得出線性迴歸公式y=0.1932X+0.2757，並由此可以推算出如果一塊顯示卡在內接情況下穩定60幀，那麼透過顯示卡拓展塢外接之後就會變成53幀，如果外接想要保持60幀那麼就要保證在內接狀態下達到70-71幀。
總體來說，你的顯示卡越強，上拓展塢之後的效能損耗也就越大，看到這裡大家也應該有了清楚的認知，如果真的想要進行深度學習等運算的話還是買個桌上型電腦更加穩妥，拓展塢這種東西目前筆者並不建議買，除非你真的沒地方擺臺式，或是對筆記本迷之執著。
大家好，關於顯示卡拓展塢對顯示卡效能的影響大家應該看了不少，基於雷電3介面的外接顯示卡拓展塢確實是筆記本提升圖形計算效能的方法，但損耗究竟有多大似乎並沒有人真正的透過測試來得出結論，大多數人測試的工具就是一把鍵盤一張嘴，真正有多少損耗甚至有沒有損耗都是這些人瞎編的，很容易給新人造成誤解。
開啟百度App，看更多圖片
所以今天筆者就在這裡給大家測試一下外界顯示卡塢到底會對一塊顯示卡造成多大的效能影響，這裡我們先簡單說一下整個測試平臺的配置，我們為了完全保證其他硬體的0損耗，特意配置了一塊滿血執行速度的THB-C介面雷電三拓展卡“技嘉GC-Alpine Ridge”，主機板是完美支援雷電3的技嘉Z390主機板，顯示卡是技嘉GTX1080，顯示卡拓展塢同樣也是技嘉的，同時為了保證整個PC平臺能更像一臺筆記本，我們把M2固態硬碟接在了顯示卡使用的PCI-E 3.0介面下方的M2介面上，來保證硬碟盒顯示卡同時經過南橋晶片，以達到類似筆記本爭奪DMI匯流排的情況（就只模擬膝上型電腦上最差的情況，也就是最大的損耗情況，這樣一來結果只會更好而不會更差）。
本次測試我們分為三個階段，分別是深度學習、跑分測試和遊戲測試，所以我們就先從對顯示卡圖形效能沒有任何要求、頻寬要求也不大的深度學習開始，畢竟很多時候筆記本想要進行深度學習就只能透過顯示卡拓展塢來提高效率，所以我們在這裡使用一個Ubuntu linux下的美股深度學習模型來進行測試，當然這個模型是隨便找到的，計算量並不大，大概是一個半成品，資料量較小，想要維持足夠長的時間就要多跑幾個回合，所以在這裡我們選擇跑10輪，每一輪500個迴圈（對深度模型有興趣的小朋友不要效仿筆者，這樣肯定會過擬合，整段垮掉的）。
在經過十輪測試之後，筆者用time函式取得在顯示卡塢中測試的時間，接下來再將顯示卡從顯示卡塢中拔下，插入主機板上的PCI-E 3.0介面再次跑十輪500迴圈，最終得出的結論如下圖，外界顯示卡的平均訓練時間要比內接長了兩秒，這是在兩者均沒有超過14秒的情況下存在的差距，可以說差距並不小，基本為百分之十八，但也得考慮到模型資料量過小的問題，程式執行開始之前和之後都會進行資料互動，使用顯示卡拓展塢的系統在開始的時候資料要從記憶體傳送到CPU再傳遞到顯示卡，結束之後又得將資料原路返回，相比無拓展塢的平臺要更加浪費時間，所以這個資料主要誤差還是在頻繁的資料互動上，而不是計算能力上。
接下來我們進行喜聞樂見的跑分測試專案，測試專案為windows 10 1803專業版+3Dmark，在timespy的壓力測試中顯示卡負載和頻率完全相同，連幀率波動的情況也完全相同，但CPU的負荷因為雷電3協議問題，需要處理更多的互動資料，所以溫度提高了5度，加速頻率也相應提高了一點；至於平均幀數，內接平均FPS為46，而外接平均幀率為42，看起來損耗為百分之九左右。
不過我們在玩遊戲之前還是對接下來的遊戲測試表示擔憂，因為影象顯示時候幀數越高，互動的資料就越多，資料衝突自然也就越嚴重，損耗肯定會加大，光說不練假把式，就讓我們來測試一下接下來的實際遊戲表現。既然我們已經說了要做到有理有據，那麼在遊戲中我們也要控制變數，所有遊戲畫質設定在顯示卡拓展塢接駁前後必須完全相同，《絕地求生》進入靶場手雷區域跑一圈再到射擊場跑一圈、《遠哭5》從美國修理站開deathwish到秋末鎮中途不停車、巫師3在城裡按照最外側路線兜一圈。
我們在測試之後發現了一個規律：幀數越高損耗也就越多，至少在孤島驚魂5和絕地求生中的確是如此，不過《巫師3》我們似乎在測試中出現了一點問題，那就是人物的變速跑，遊戲的變速跑沒有控制好時間導致城內自動出現卡頓的次數不同，這點不太嚴謹，那我們就用3Dmark中的壓力測試、遠哭5和絕地求生的三個數值來做一個一次函式，在45幀時損耗9%，100幀時損耗20%，130幀時損耗25%，得出線性迴歸公式y=0.1932X+0.2757，並由此可以推算出如果一塊顯示卡在內接情況下穩定60幀，那麼透過顯示卡拓展塢外接之後就會變成53幀，如果外接想要保持60幀那麼就要保證在內接狀態下達到70-71幀。
總體來說，你的顯示卡越強，上拓展塢之後的效能損耗也就越大，看到這裡大家也應該有了清楚的認知，如果真的想要進行深度學習等運算的話還是買個桌上型電腦更加穩妥，拓展塢這種東西目前筆者並不建議買，除非你真的沒地方擺臺式，或是對筆記本迷之執著。