跨 GPU 架构的 3D 生成扩散模型的性能分析和优化

arXiv:2606.19365v1 公告类型：新 摘要：扩散模型已成为高保真 3D MRI 合成的关键，但其部署仍然受到每个样本数百次 U-Net 评估和高度异构内核行为所产生的大量 GPU 资源需求的限制。本文对三代 NVIDIA 架构中最先进的医疗扩散模型 Med-DDPM 进行了全面的性能分析，以研究内核级运行时故障、指令混合特征、内存系统利用率、扭曲级活动和分析器优先级分数估计。我们表明，训练绝大多数由 cuDNN 卷积和隐式 GEMM 内核主导，内存访问模式、张量布局转换和有限的张量核心利用率导致效率低下。在这些见解的指导下，我们评估了两种架构感知优化 TF32 Tensor Core 激活和 3D 通道后布局，并证明它们可将 SM 周期减少多达 100 倍，将动态指令减少 100 倍，将 Tensor Core 利用率从 1.45 提高到 9.98 倍，并将 A100 上的 IPC 提高 7%，所有这些都不会降低合成质量。