在深度学习场景下，选显卡是个大问题。英伟达的RTX 3090、4090、5090，三代消费级旗舰，到底哪张更适合你的训练任务？这里用ResNet-50模型跑一轮性能测试，直接看算力差距，帮助大家选卡时心里有数。对于AI模型训练、计算机视觉任务，搞清楚这几款显卡的深度学习性能差异至关重要。
显卡参数规格
| RTX5090 | RTX4090 | RTX3090 | |
|---|---|---|---|
| 架构 | Blackwell | Ada Lovelace | Ampere |
| CUDA核心 | 21,760 | 16,384 | 10,496 |
| 显存容量 | 32 GB GDDR7 | 24 GB GDDR6X | 24 GB GDDR6X |
| 显存带宽 | 1792 GB/s | 1,008 GB/s | 936 GB/s |
| TDP功耗 | 575W | 450W | 350W |
| FP32 算力 | 104.8 TFLOPS | 82.6 TFLOPS | 35.6 TFLOPS |
| Tensor FP16 算力 | 419 TFLOPS | 330 TFLOPS | 142 TFLOPS |
为什么使用ResNet-50模型
选择ResNet-50作为测试基准，原因非常直接——它是计算机视觉领域最经典的“试金石”。这款50层卷积神经网络，参数数量适中，显存占用合理，但囊括了深度学习训练里最核心的计算模式：大量矩阵运算。这就能直接评估AI核心算力。此外，几乎所有主流框架——PyTorch、TensorFlow、JAX、ONNX——都内置了这个模型，加载起来毫无门槛。对于评估显卡的深度学习训练性能，ResNet-50是非常有代表性的标准。
本次测试基于PyTorch框架，数据集选用CIFAR-10，遵循标准流程，没有任何投机取巧。
显卡性能实测
测试分不同精度（FP32单精度和FP16混合精度），以及不同批次大小，每项都运行多轮取平均值，结果一目了然。
5090
4090
3090
测试结果分析
先解释几个关键指标：
- 精度：FP32表示单精度训练，FP16表示混合精度训练
- BatchSize：训练批次大小
- Samples/s：每秒样本吞吐量——核心性能指标
- VRAM (MB)：平均显存使用量
- GPU Util (%)：平均GPU利用率
直接看最大吞吐量，也就是每秒能处理多少样本数：
| RTX5090 | RTX4090 | RTX3090 | |
|---|---|---|---|
| 最大样本吞吐量(单精度) | 1,076 | 699 | 489 |
| 最大样本吞吐量(混合精度) | 1,822 | 1,224 | 836 |
结论非常清晰。从ResNet-50的训练吞吐量来看，RTX 5090相比RTX 4090快了大约1.5倍，而RTX 4090相比RTX 3090，性能提升幅度也差不多在1.45倍左右。这个代际升级带来的算力提升，堪称显著，对于深度学习训练任务而言，选择最新一代显卡能带来显而易见的效率优势。