gtx750ti效能的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

使用記憶體延遲取樣之繪圖處理器執行緒排程機制與其在CASLAB-GPUSIM上之實現

為了解決gtx750ti效能的問題，作者邱健鳴 這樣論述：

近年來，隨著資料探勘(Data Mining)、機器學習(Machine Learning)以及影像辨識(Image Recognition)等需要針對大量平行資料進行處理的應用變得愈來愈熱門，繪圖處理器(GPUs)於是被廣泛使用來加速這些非繪圖的工作。現今的繪圖處理器使用極大量的並行執行緒(Multithreading)以及細質多執行緒(Fine-Grained Multithreading)的技術來隱藏運算或管線傳遞時間。然而，近期的研究顯示記憶體競爭(Memory Contention)是造成現今的繪圖處理器無法達到巔峰效能的最嚴重瓶頸之一。當並行執行緒的數量越多，由於記憶體系統的過載

，記憶體競爭問題也變得越嚴重，而少量的並行執行緒又會弱化運算或管線傳遞時間的遮蔽能力。我們提出了考量記憶體競爭之繪圖處理器執行緒排程機制(Memory-Contention Aware Warp Scheduling)以尋找記憶體系統資源和工作量之間的平衡。這個機制使用動態取樣(Dynamic Sampling)的方法精準地辨識記憶體競爭問題的嚴重程度並且依照不同的情況提供最合適的執行緒並行程度。我們的實驗結果顯示，對於快取記憶體敏感(Cache Sensitive)的工作，與基本的鬆散循環制(Loose Round-Robin)相比，考量記憶體競爭之繪圖處理器執行緒排程機制在GPGPU-Si

m上達到幾何平均高達96.4%的加速。除此之外，考量記憶體競爭之繪圖處理器執行緒排程機制也在CASLAB-GPUSIM上達到整體17.4%的效能提升。