服务器GPU性能测试流程

最新推荐文章于 2024-08-12 14:43:39 发布
最新推荐文章于 2024-08-12 14:43:39 发布
阅读量4.8k 收藏 25
点赞数 4
文章标签： 人工智能 linux 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/father101/article/details/133273960
版权

注意：

1、cuda-sample需要和cuda版本对应，否则会报错

2、只有进行hpcg测试时才需要设置当前环境变量为cuda-10，其它测试时设置cuda-12.0，否则在进行浮点性能测试时会报错

一、准备测试程序

1.环境变量要求cuda11.8

# centos7  ubuntu18.04  ubuntu20.04  ubuntu22.04
# 只需安装nvcc不需要安装驱动
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

 
# 安装完毕后声明cuda11.8环境变量
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

2.cuda-samples-11.8测试包

wget https://mirrors.qiql.net/pkgs/cuda-samples-11.8.tar.gz
tar -zxvf cuda-samples-11.8.tar.gz

3.hpcg测试环境

# cuda10.0安装
wget https://mirrors.qiql.net/pkgs/cuda_10.0.130_410.48_linux.run
sh cuda_10.0.130_410.48_linux.run

# 声明cuda10环境变量
export PATH=/usr/local/cuda-10.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH

# 安装OpenMPI3.1.0
wget https://mirrors.qiql.net/pkgs/openmpi-3.1.0.tar.gz
tar -zxvf openmpi-3.1.0.tar.gz
cd openmpi-3.1.0
./configure --prefix=/opt/support/soft/openmpi/3.1.0
make -j 
make install
cd /opt/support/soft/openmpi/3.1.0
vim env.sh
“
base_dir=/opt/support/soft/openmpi/3.1.0
export PATH=${base_dir}/bin:$PATH
export LD_LIBRARY_PATH=${base_dir}/lib:$LD_LIBRARY_PATH
export CPATH=${base_dir}/include:$CPATH
export MANPATH=${base_dir}/share:$MANPATH
”
# 保存退出，后续要加载openmpi3.1.0，执行source /opt/support/soft/openmpi/3.1.0/env.sh 命令即可

############# 
# 如果无法编译安装 OpenMPI-3.1.0
# 直接下载编译好的包：
wget https://mirrors.qiql.net/pkgs/openmpi-3.1.0.tgz
# 将其解压到/opt/support/soft/openmpi目录，然后source env.sh 即可

# hpcg包下载解压
cd /opt/support
wget https://mirrors.qiql.net/pkgs/hpcg-3.1_cuda-10_ompi-3.1_gcc485_sm_35_sm_50_sm_60_sm_70_sm75_ver_10_9_18.tgz
tar -zxvf hpcg-3.1_cuda-10_ompi-3.1_gcc485_sm_35_sm_50_sm_60_sm_70_sm75_ver_10_9_18.tgz

4.intel oneAPI安装

# intel oneAPI Base Toolkit
wget https://registrationcenter-download.intel.com/akdlm/irc_nas/18970/l_BaseKit_p_2022.3.1.17310_offline.sh
sh l_BaseKit_p_2022.3.1.17310_offline.sh
进入安装界面 选择
Accpet & customer
Next
指定路径 /opt/support/compiler/intel/2022u2/oneapi 后 Next
Install
选择 Skip 后 Next
选 I do NOT consent to the collection of my information 后 Begin Installation 
等待安装完毕后 Close


# intel oneAPI HPC Toolkit
wget https://registrationcenter-download.intel.com/akdlm/irc_nas/18975/l_HPCKit_p_2022.3.1.16997_offline.sh
sh l_HPCKit_p_2022.3.1.16997_offline.sh
进入安装界面 选择
Accpet & customer
Next
指定路径 /opt/support/compiler/intel/2022u2/oneapi 后 Next
选择 Skip 后 Next
选 I do NOT consent to the collection of my information 后 Begin Installation 
等待安装完毕后 Close

# 启动编译器
两个安装完毕后  source /opt/support/compiler/intel/2022u2/oneapi/setvars.sh intel64

二、测试流程

1.显存带宽

# 进入解压的cuda-samples-11.8目录里
cd /opt/support/cuda-samples-11.8/Samples/1_Utilities/bandwidthTest

# 修该下面这个文件中的 32M 为 2048M
vim bandwidthTest.cu # 进入该文件
#define DEFAULT_SIZE (32 * (1e6))      // 32 M
将上面这一行修改为
#define DEFAULT_SIZE (2048 * (1e6)) 

# 修改cuda路径
vim Makefile 
CUDA_PATH ?= /usr/local/cuda
将上面这行代码修改为
CUDA_PATH ?= /usr/local/cuda-11.8

make
# 测试命令
./bandwidthTest --device=0 # 测试命令，--device=0 表示对 0 号卡进行测试,依次测试所有卡
记录下Host to Device 、Device to Host 、Device to Device

脚本：
#!/bin/bash
for device in {0..7}
do
    echo "Testing device$device:" >> band.txt
    ./bandwidthTest --device=$device >> band.txt
    echo "-----------------------------------" >> band.txt
done

2.卡间带宽

cd /opt/support/cuda-samples-11.8/Samples/5_Domain_Specific/p2pBandwidthLatencyTest

# 修改cuda路径
vim Makefile 
CUDA_PATH ?= /usr/local/cuda
将上面这行代码修改为
CUDA_PATH ?= /usr/local/cuda-11.8

make
./p2pBandwidthLatencyTest
记录下
Bidirectional P2P=Enable Bandwidth Matrix(GB/s)
P2P=Enabled Latency(P2P writes)Matrix(us)

3.浮点性能

cd /opt/support/cuda-samples-11.8/Samples/4_CUDA_Libraries/batchCUBLAS

# 修改cuda路径
vim Makefile 
CUDA_PATH ?= /usr/local/cuda
将上面这行代码修改为
CUDA_PATH ?= /usr/local/cuda-11.8

make
./batchCUBLAS -m8192 -n8192 -k8192 --device=0 # --device=0表示对0号卡进行测试,依次测试所有卡
记录Running N=10 batched的GFLOPS值




#!/bin/bash
  

# 迭代测试device0到device7
for device in {0..7}
do
    echo "Testing device$device:" >> float.txt
    ./batchCUBLAS -m8192 -n8192 -k8192 --device=$device >> float.txt
    echo "-----------------------------------" >> float.txt
done



报错：
./batchCUBLAS: error while loading shared libraries: libcublas.so.12: cannot open shared object file: No such file or directory

4.多卡扩展性

cd /opt/support/hpcg-3.1_cuda-10_ompi-3.1_gcc485_sm_35_sm_50_sm_60_sm_70_sm75_ver_10_9_18/

vim hpcg.dat
HPCG benchmark input file
Sandia National Laboratories; University of Tennessee, Knoxville
256 256 256 # 无需修改
60 # 运行时间，无需修改

# 单卡运行HPCG：
mpirun --allow-run-as-root -n 1 ./xhpcg-3.1_gcc_485_cuda-10.0.130_ompi-3.1.0_sm_35_sm_50_sm_60_sm_70_sm_75_ver_10_9_18
# 双卡运行HPCG
mpirun --allow-run-as-root -n 2 ./xhpcg-3.1_gcc_485_cuda-10.0.130_ompi-3.1.0_sm_35_sm_50_sm_60_sm_70_sm_75_ver_10_9_18
# 四卡运行HPCG
mpirun --allow-run-as-root -n 4 ./xhpcg-3.1_gcc_485_cuda-10.0.130_ompi-3.1.0_sm_35_sm_50_sm_60_sm_70_sm_75_ver_10_9_18
# 八卡运行HPCG
mpirun --allow-run-as-root -n 8 ./xhpcg-3.1_gcc_485_cuda-10.0.130_ompi-3.1.0_sm_35_sm_50_sm_60_sm_70_sm_75_ver_10_9_18

5.内存带宽

cd /opt/support/

# 获取stream源码文件
wget https://mirrors.qiql.net/pkgs/stream.c

# 加载oneAPI环境变量，oneAPI路径根据自己调整
source /opt/support/compiler/intel/2022u2/oneapi/setvars.sh intel64

# 编译Stream.c，根据实际内存数量调整数组大小，以下为在256GB内存节点上的编译命令
icc -o stream.intel stream.c -DSTATIC -DNTIMES=10 -DSTREAM_ARRAY_SIZE=3200000000 -mcmodel=large -shared-intel -Ofast -qopenmp -ffreestanding -qopt-streaming-stores always

# 声明环境变量
export OMP_PROC_BIND=true
export OMP_NUM_THREADS=64

# 运行Stream
./stream.intel

6.NCCL test

安装：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt-get update
sudo apt-get install libnccl2 libnccl-dev
cd /opt/support/
git clone https://github.com/NVIDIA/nccl-tests
cd nccl-tests/
make

make报错：
root@ubuntu:/opt/support/nccl-tests# make
make -C src build BUILDDIR=/opt/support/nccl-tests/build
make[1]: Entering directory '/opt/support/nccl-tests/src'
Compiling  timer.cc                            > /opt/support/nccl-tests/build/timer.o
Compiling /opt/support/nccl-tests/build/verifiable/verifiable.o
In file included from /usr/local/cuda/bin/..//include/cuda_runtime.h:83,
                 from <command-line>:
/usr/local/cuda/bin/..//include/crt/host_config.h:129:2: error: #error -- unsupported GNU version! gcc versions later than 7 are not supported!
  129 | #error -- unsupported GNU version! gcc versions later than 7 are not supported!
      |  ^~~~~
make[1]: *** [../verifiable/verifiable.mk:11: /opt/support/nccl-tests/build/verifiable/verifiable.o] Error 1
make[1]: Leaving directory '/opt/support/nccl-tests/src'
make: *** [Makefile:20: src.build] Error 2


手动make：
make -C src BUILD_DIR=build CUDA_HOME=/usr/local/cuda-12.0
./build/all_reduce_perf -b 8 -e 256M -f 2 -g 4

三、测试结论

设备A100
GPUNVIDIA A100 40GB PCIE
显存40GB HBM2
显存带宽1555GB/s
功耗250 W
FP649.7 TFLOPS
FP64 Tensor Core19.5 TFLOPS
FP3219.5 TFLOPS
TF32156 TFLOPS
FP16 Tensor Core312 TFLOPS
INT 8624 TFLOPS
互连技术*PCIE，或NVLink 桥接器（仅用于连接两张卡）互连带宽为600GB/s
PCIe卡槽PCIE 4.0 X16，理论带宽为32GB/s
设备A100
GPUNVIDIA A100 80GB PCIE
显存80GB HBM2e
显存带宽1935GB/s
功耗300 W
FP649.7 TFLOPS
FP64 Tensor Core19.5 TFLOPS
FP3219.5 TFLOPS
TF32156 TFLOPS
FP16 Tensor Core312 TFLOPS
INT 8624 TFLOPS
互连技术*PCIE，或NVLink桥接器（仅用于连接两张卡）互连带宽为600GB/s
PCIe卡槽PCIE 4.0 X16，理论带宽为32GB/s
设备V100S
GPUTesla V100S-PCIE-32GB
显存32 GB HBM2
显存带宽1134 GB/s
功耗250 W
FP648.2 TFLOPS
FP3216.4 TFLOPS
FP16130 TFLOPS
PCIe卡槽PCIE 3.0 X16，理论带宽为16GB/s
设备V100
GPUNVIDIA V100 16GB PCIE
显存16GB HBM2
显存带宽900GB/s
功耗250W
FP647 TFLOPS
FP3214 TFLOPS
FP16112 TFLOPS
PCIe卡槽PCIE 3.0 X16，理论带宽为16GB/s

1.显存带宽

这是一个简单的测试程序，测试为GPU显存与服务器内存间双向带宽测试，包括Host To Device（服务器内存到显存）、Device To Host（显存到服务器内存）、显存带宽（GPU芯片到GPU显存）三项测试结果。用于测量 GPU 的内存拷贝带宽和跨 PCI-e 的内存带宽。此测试应用程序能够测量设备到设备复制带宽、可分页和分页锁定内存的主机到设备复制带宽，以及可分页和分页锁定内存的设备到主机复制带宽。该

Device to Device测出来的值对应是 服务器设备的显存带宽，host to device以及device to host 对应的是PCIe卡槽的规格。

结论：

显存带宽的测试百分比为 测试值/显存带宽理论值 ； 内存到显存，显存到内存的百分比为 测试值/PCIe带宽(一般为PCIe 3.0 16GB 或者 PCIe 4.0 32GB)

2.卡间带宽

此应用程序演示了 GPU 对之间的 CUDA 点对点 （P2P） 数据传输，并计算延迟和带宽。对使用 P2P 和不使用 P2P 的 GPU 对进行测试。该测试为GPU卡之间的实测带宽，即数据从其中一张卡通过PCIE槽传输至另一张卡的测试结果。

"P2P" 的全称是 "Peer-to-Peer"，它通常指的是一种直接从一个节点到另一个节点进行通信或数据传输的方式，而不需要经过中间服务器或中心化的控制。它表示GPU之间可以直接访问彼此的显存（内存），以便进行数据传输，而不需要将数据通过主机内存进行中转。这可以提高数据传输的效率和性能。"P2P Memory Access" 允许GPU之间进行双向数据传输，从而可以实现更高的带宽和更低的延迟。所以，你可以将 "P2P" 视为与双向数据传输相关的功能，但它更广泛地指代了直接的、点对点的通信和数据访问方式。

PCIe 3.0的每个通道为1GB/s，PCIe 4.0的每个通道的理论带宽是2GB/s，x16插槽有16个通道，因此理论总带宽为32GB/s，实际带宽通常会受到各种因素的影响，包括硬件性能、系统负载和传输模式。在PCIe通信中，双向通信是默认开启的，这意味着PCIe设备可以在发送和接收之间进行双向数据传输。因此，在PCIe 4.0 x16插槽上，理论上可以实现每个方向的带宽都为32GB/s，总带宽为64GB/s。但实际上，系统的硬件和软件配置可能会限制实际带宽。

结论：

卡间带宽的测试值与理论值的对比，理论值根据PCIe插槽的规格判断：一般为PCIe3.0x16，速度为16GB/s；PCIe4.0x16,速度为32GB/s。然后要看p2p点对点通信功能是否开启，如果能够启动，理论传输速率就翻倍。

3.浮点性能

这是一个 CUDA 示例，演示如何使用批处理的 CUBLAS API 调用来提高整体性能。主要测试的是GPU节点的双精度浮点运算能力

主要指标是双精度浮点数：Float64，就是服务器或显卡指标中的FP64。

1 TFLOPS = 1,000,000 GFLOPS

结论：

浮点性能的测试值要根据厂家标注的理论值进行对比： 测试纸/理论值

4.多卡扩展性

利用 环境 cuda10.0 和 MPI：OpenMPI 3.1.0 看hpcg测试最后给出的GFLOPS值，对比单卡，2卡，4卡，8卡的结果。

结论：

看最后测试给出的hpcg值1卡、2卡、4卡、8卡是不是呈上升的线性增长(2卡效率比单卡高，4卡比2卡效率高，依次类推)

5.内存带宽

安装Intel oneAPI到目标主机，默认安装oneAPI2022.2，使用加载的oneAPI编译Stream.c文件，根据实际内存数量调整数组大小。

主机名FunctionBest Rate MB/sAvg timeMin timeMax time
ecs-37632405Copy174014.12.9147592.3538323.624191
Scale167372.93.1014832.447233.849923
Add148908.64.176514.1260214.227916
Triad150024.44.2034014.0953334.317513
5ryMaker
关注
GPU测试工具
01-24
计算PI的一个GPU测试工具，里面一共有三个文件，支持CUDA、OpenGL、Intel三种。
CUDA编程之CUDA Sample-1_Utilities-bandwidthTest
翊桐公羽的博客
07-10 2083
CUDA Samples 中 1_Utilities 文件夹里包含了一些实用工具和小型示例程序,它们通常用于支持和演示其他 CUDA 示例程序的功能。bandwidthTest这个sample是一个简单的测试程序,用于测量 GPU 的内存拷贝带宽以及 PCI-E 总线上的内存拷贝带宽。这个程序可以帮助开发人员了解 CUDA 应用程序在不同内存访问模式下的性能表现,从而优化应用程序的内存使用策略,提高整体性能。
Bandwidth Test 带宽测试工具安装(基于AMD-Rocm环境)
最新发布
iamliujinyi的博客
08-12 379
Bandwidth Test 是AMD公司Rocm环境下的带宽测试工具，用于测试AMD-GPU的带宽性能，可作为 kernel 进行性能评估的参考，便于计算GPU占用率、带宽峰值和实际带宽比。
GPU性能的简单测试脚本（pytorch版）
热门推荐
一个学习困难症患者的破博客
08-30 1万+
GPU性能的简单测试脚本（pytorch版）
单机多卡空闲GPU自动检测Pytorch多卡训练脚本
qq_36396406的博客
04-11 533
本文分享了一个Bash脚本，它能够自动检测空闲的GPU，并根据用户的需求分配相应数量的GPU以运行特定的命令或脚本。
显卡测试工具，测试GPU性能
06-29
显卡测试工具，测试GPU性能 GPU-Z，显卡测试工具，测试GPU性能 GPU-Z
深度学习中测量GPU性能的方式
weixin_42605076的博客
06-01 1909
在深度学习中，测量GPU性能是一个多方面的任务，涉及运行时间、吞吐量、GPU利用率、内存使用情况、计算能力、端到端性能测试、显存带宽、框架自带性能工具和基准测试工具等多种方法。通过综合使用这些方法，可以全面评估和优化GPU的性能，提升深度学习任务的效率和效果。
【快速检测GPU性能】
wm199的博客
08-04 8475
快速了解电脑的GPU性能，以及散热功能，对硬件能够有快速的了解，帮助进行电脑的选择
服务器gpu测试软件,试用 GPU 加速服务器 | NVIDIA
weixin_39665847的博客
07-25 340
LocationAfghanistanAlbaniaAlgeriaAmerican SamoaAndorraAngolaAnguillaAntarcticaAntigua & BarbudaArgentinaArmeniaArubaAscension IslandAustraliaAustriaAzerbaijanBahamasBahrainBangladeshBarbadosBelaru...
环境搭建-CentOS7系统基于TensorFlow Benchmarks测试GPU
疯批美人
07-12 4839
gpu的占用率为99%，是一种比较正常的使用状态。gpu是图形处理器的简称，又称显示核心、视觉处理器、显示芯片，用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。
GPU服务器上显卡压力测试工具及测试方法介绍.pdf
06-07
总之，Stree_GPU是一款方便易用的GPU/显卡压力测试工具，它可以帮助用户在Windows系统下充分挖掘GPU性能，及时发现潜在问题，对于服务器的维护和优化具有重要意义。通过严格的测试流程，可以确保GPU服务器在各种工作...
gpu_burn性能压力测试
12-27
gpu_burn是linux、ubuntu、centos系统下非常好用的性能压力测试插件。
GPU测试程序
03-01
使用cuda编写的GPU测试程序，只有exe，程序想要的留言
服务器性能测试，cpu,gpu代码
08-11
对于GPU性能测试，常用的工具有NVIDIA的`NVIDIA System Management Interface (nvidia-smi)`，它能够显示GPU的基本信息、温度、功耗以及当前运行的任务。另外，`CUDA Sample Code`库提供了许多预编译的示例程序，...
GPU服务器上显卡压力测试工具及测试方法介绍.docx
09-17
GPU 服务器上的显卡压力测试是保障其性能和稳定性的重要环节。本文将介绍一种常用的 GPU 服务器显卡压力测试工具 NVIDIA-smi 及测试方法。 一、GPU 服务器显卡压力测试工具 NVIDIA-smi 是一种常用的 GPU 服务器...
GPU服务器的测试方案
12-21
GPU服务器的测试方案是针对高性能计算和图形处理需求的服务器进行的一种系统性验证过程，确保其性能、稳定性和兼容性满足预期。以下是该测试方案的关键点解析： 1. **概述** - **测试目的**：确认GPU服务器在各种...
服务器性能测试标准,测试服务器性能标准
weixin_32968105的博客
08-13 923
测试服务器性能标准 内容精选换一换对于不同的硬件设备，通过在BIOS中设置一些高级选项，可以有效提升服务器性能。服务器上的SMMU一般用来完成设备的地址转换，并且可以实现设备隔离，在虚拟化中很实用，但是在物理机测试场景下，SMMU可能会导致性能下降，尤其对于小包网络场景，因此建议关闭该功能提升服务器性能。在虚拟机场景需要打开此配置来使用PCI直通功能。在本测试场景中，预取对于不同的硬件设备，通过在...
四、Tensoflow2.0+测试服务器GPU
feifeiyechuan的博客
08-20 365
1、安装conda环境 安装步骤 2、创建tf环境 conda create -n py368 python=3.6 anaconda 3、激活环境 conda activate py368 4、安装tf2.0 pip install tensorflow-gpu==2.0 -i https://pypi.douban.com/simple 5、测试运行代码 5.1 测试代码 测试代码1 import tensorflow as tf import os os.environ['TF_CPP_MIN
题目：TensorFlow GPU 性能基准测试工具：Lambda TensorFlow Benchmark
gitblog_00084的博客
05-28 319
题目：TensorFlow GPU 性能基准测试工具：Lambda TensorFlow Benchmark 项目地址:https://gitcode.com/lambdal/lambda-tensorflow-benchmark 1、项目介绍 Lambda TensorFlow Benchmark 是一个用于测试和评估 NVIDIA GPU 在 TensorFlow 环境下执行深度学习任务性能的...
UE4游戏服务器性能测试,UE4 性能优化方法(工具篇)
06-07
好，我会为您提供关于UE4游戏服务器性能测试和性能优化方法的建议。 1. UE4游戏服务器性能测试 对于UE4游戏服务器性能测试，您可以使用一些工具来帮助您评估服务器性能和稳定性。以下是一些常用的工具： - UE4自带的性能分析器：您可以通过在编辑器中启用性能分析模式来使用它。它可以帮助您监视服务器的帧率、内存使用情况、网络延迟、CPU使用率等等。 - PerfMon：这是一个Windows内置的系统性能监视器，可以监视CPU、内存、磁盘、网络等方面的性能指标。 - Visual Studio Profiler：如果您使用Visual Studio编写UE4服务器代码，那么可以使用Visual Studio的性能分析器来监视服务器代码的性能指标。 2. UE4性能优化方法（工具篇） UE4性能优化是一个复杂的过程，需要您对游戏引擎的运行原理有一定的了解。以下是一些常用的工具，可以帮助您进行UE4性能优化： - UE4自带的性能分析器：除了用于服务器性能测试，它也可以用于优化游戏性能。您可以通过它来查找哪些代码或蓝图节点占用了大量的CPU时间、内存等资源，以便您进行优化。 - Unreal Insights：这是一个高级性能分析工具，提供了更多的性能指标和可视化图表，可以帮助您深入分析性能瓶颈。 - Intel VTune Amplifier：这是一款专业的性能分析工具，可以帮助您分析CPU、内存、IO等方面的性能瓶颈。 - PIX for Windows：这是一个Windows平台上的性能分析工具，可以帮助您分析GPU性能瓶颈。 总之，UE4游戏服务器性能测试和性能优化是一个复杂的过程，需要您深入了解游戏引擎的运行原理和使用专业的工具进行分析。希望我的回答可以帮助到您。
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值