模型训练场景5090和4090的算力比较

晨涧云 AI算力平台最近上线了RTX 5090显卡，我们测试下英伟达这款最新的消费级旗舰和上一代RTX 4090在模型训练场景下性能差异多大？

之前使用 ResNet-50 模型比较过3090和4090的算力差异：
基于ResNet-50模型训练场景下实测3090和4090的性能

这里是用同样的方法进行测试。

RTX 5090和RTX 4090参数对比

两张显卡的参数规格：

	RTX 5090	RTX 4090
架构	Blackwell	Ada Lovelace
CUDA核心数	21,760	16,384
显存容量	32 GB GDDR7	24 GB GDDR6X
显存带宽	1792 GB/s	1,008 GB/s
TDP功耗	575W	450W
FP32 算力	104.8 TFLOPS	82.6 TFLOPS
Tensor FP16 算力	419 TFLOPS	330 TFLOPS

5090使用最新的Blackwell架构，性能有了大幅提升：

• 显存方面：32G的容量比4090增加8G，但也略显局促；显存带宽有大幅的提升

• 算力方面：5090的算力比4090提升近30%

• 相应的功耗也比4090高不少，要综合考虑高负荷工作时的耗电量

深度学习模型训练测试

在 晨涧云-算力市场 租用5090的显卡，注意因为5090必须基于 PyTorch 2.7 以上 + CUDA 12.8 以上的版本，所以选择镜像时需要选择对用的版本镜像。

还是选择基于Pytorch框架来训练ResNet-50模型，使用CIFAR-10数据集进行测试对比。

5090测试

4090测试

测试结果解释

使用了FP32和FP16混合训练精度，主要看训练批次比较大（显存和GPU利用率都较高的时候）的数据表现，看训练吞吐量的差异：

• 精度：FP32 表示使用单精度训练，FP16 表示使用混合精度训练

• BatchSize：训练批次大小

• Samples/s：每秒样本吞吐量

• VRAM (MB)：平均显存使用量

• GPU Util (%)：平均GPU利用率

从上图中主要看在GPU使用率比较高的场景下（如BatchSize=256），模型训练样本的吞吐速度比较；无论是单精度还是混合精度，RTX 5090的样本吞吐速度是RTX 4090的1.5倍左右。

从测试结果，结合5090现在市面的价格而言，是很不错的一个选择，唯一不足的地方就是新的Blackwell架构必须使用 PyTorch 2.7 以上 + CUDA 12.8 以上的版本，对老项目不太友好。