演算法訓練顯卡
❶ 挖礦顯卡為什麼不能買
可以買。你認識礦主，可以買。
有人說礦卡容易壞，即便礦卡運行時間長，也都是在合適的運行時間內運行的，不存在天天開機，顯卡就容易壞這個邏輯不合理。一般來說，只有放壞的電子設備，沒有用壞的電子設備。
當然了，價格要合適，買二手肯定要便宜。不然誰買二手的，買新不買舊。礦卡使用折舊實際上已經算在費用里。所以礦卡是可以放心買的。
真正要警惕的是，PI安子。一些人通過把一些壞了的顯卡，維修之後，屏蔽一些功能來當作好的顯卡賣。用質量存在問題的顯卡說是礦卡。打著礦卡的旗號，吸引消費者購買。這個就要警惕了。我國的二手商品市場魚龍混雜，就算你有火眼金睛，也有翻車的時候。
就算不能挖礦了，現在還有很多機器學習演算法訓練的用途，所以礦主們即便不挖礦，也不至於賣礦卡，他們礦機的算力依然有市場需求。尤其是在當下，顯卡比較貴的市場環境下。礦主們不太可能賣顯卡，因為他們賣了顯卡就沒得買。不要幻想天上掉餡餅，未來兩到三年，會一直這樣。
關鍵在於渠道，你能找到渠道就可以買。網上的就算了吧，你換位思考一下，我們的二手渠道是很窄的。誰整天啥事不做就在網上亂逛賣東西？一個二手賣家遇到另一個二手賣家的概率非常低，大概率是二手賣家遇到的事二手販子，而首爾賣家也遇到的是二手販子，因為二手販子才是二手市場真正的主宰。現在主宰不講武德，你敢買？》
❷ 深度學習100萬張圖像 用顯卡訓練需要多久
跑深度,主要靠單精度浮點計算能力：不缺錢上GTXTiTanX缺錢就雙路GTX1070TITANXPACAL：11TGTX1080：8.9TGTX1070：6.5T
❸ 做深度學習需要什麼樣的GPU滿足什麼樣的要求呢
如果你正在構建或升級你的深度學習系統，你最關心的應該也是GPU。GPU正是深度學習應用的核心要素——計算性能提升上，收獲巨大。
主要任務：承擔深度學習的數據建模計算、運行復雜演算法。
藍海大腦的液冷GPU伺服器挺好的，具有高性能，高密度、擴展性強等特點。液冷GPU伺服器產品支持1~20塊 GPU卡，還可以選擇，畢竟能可以選擇也是很好的,晶元主要採用龍芯、飛騰、申威、海光、英偉達、Intel、AMD。完全定製啊，敲開心。適用於深度學習訓練及推理、生命科學、醫葯研發、虛擬模擬等場景，覆蓋伺服器、靜音工作站、數據中心等多種產品形態，量身定製，滿足客戶全場景需求。技術人員給的建議都非常受用。
❹ 訓練神經網路用什麼顯卡
Quadro是計算系列顯卡，用於專業計算。面向的對象是實驗室和公司等用於專業計算的用戶。在性能上Quadro並不會相較於GTX 1080 Ti有太大的優勢，但是Nvidia限制了GTX消費群體，只能用來作個人用戶和游戲使用，不能進行商業計算或者實驗室開發。雖然規定顯然是為了Nvidia的利益，但是對於消費者而言，也是一件好事，可以讓普通消費者更輕易買到好的GPU。
如果是個人來用的話，推薦GTX，也可以考慮RTX，畢竟在價格和性價比上具有絕對的優勢
❺ 是什麼原因造成顯卡短缺、價格奇高
近期，我們周圍的顯卡短缺、價格很高，很多想要買電腦的人都叫苦不迭。不過，造成這個現象的原因比較復雜，全球疫情的變化是造成這個現象的直接導火索，而晶元短缺、虛擬幣「挖礦」行為的火爆都助推了這個現象的擴大化。
虛擬幣「挖礦」行為的火爆，則使得顯卡價格上漲的速度加快。眾所周知，以比特幣為代表的虛擬幣出現了階段性大漲，這類虛擬幣的大漲就使得不少投資者加大了對虛擬幣「挖礦」的投入。畢竟，「挖礦」行為消耗的是電力，但其成果則是一個個價格不菲的虛擬幣。「挖礦」是一個非常消耗算力的行為，也需要投資者購買更好的電腦設備作為支撐。礦機的價格，也因為「挖礦」行為的增多而上漲。
顯卡是電腦的重要組成部分，不少用於「挖礦」的電腦，都必須配備性能優秀的顯卡來滿足日常運作的需要。這樣的市場需求，就加速了顯卡價格的上漲。畢竟，顯卡廠商看見「挖礦者」不計成本的購買行為，就必然會提價來增加自己的利潤。因此，我國對虛擬幣「挖礦」行為的嚴厲打擊，實際上是有利於顯卡價格逐步回歸正常化的。
❻ 訓練深度學習的人工智慧，用哪個廠商的顯卡最好
顯卡領域，准確說是GPU領域，就是英偉達和AMD的顯卡這兩家實力最強。
英特爾還算初入門，實力不夠。
至於華碩，只是拿來GPU之後做成顯卡的，不足以與前幾家相提並論。
❼ 什麼GPU最好
根據全面定性定量的實驗結果，截至2018年10月8日，NVIDIA RTX 2080 Ti是現在最好的深度學習GPU（用單個GPU運行Tensoflow）。以單GPU系統的性能為例，對比其他GPU，它的優劣分別是：
FP32時，速度比1080 Ti快38%；FP16時，快62％。在價格上，2080 Ti比1080 Ti貴25%
FP32時，速度比2080快35%；FP16時，快47％。在價格上，2080 Ti比2080貴25%
FP32時，速度是Titan V的96%；FP16時，快3％。在價格上，2080 Ti是Titan V的1/2
FP32時，速度是Tesla V100的80%；FP16時，是Tesla V100的82%。在價格上，2080 Ti是Tesla V100的1/5
請注意，所有實驗都使用Tensor Core（可用時），並且完全按照單個GPU系統成本計算。
深入分析
實驗中，所有GPU的性能都是通過在合成數據上訓練常規模型，測量FP32和FP16時的吞吐量（每秒處理的訓練樣本數）來進行評估的。為了標准化數據，同時體現其他GPU相對於1080 Ti的提升情況，實驗以1080 Ti的吞吐量為基數，將其他GPU吞吐量除以基數計算加速比，這個數據是衡量兩個系統間相對性能的指標。
訓練不同模型時，各型號GPU的吞吐量
對上圖數據計算平均值，同時按不同浮點計算能力進行分類，我們可以得到：
FP16時各GPU相對1080 Ti的加速比
FP32時各GPU相對1080 Ti的加速比
可以發現，2080的模型訓練用時和1080 Ti基本持平，但2080 Ti有顯著提升。而Titan V和Tesla V100由於是專為深度學習設計的GPU，它們的性能自然會比桌面級產品高出不少。最後，我們再將每個GPU的平均加速情況除以各自總成本：
FP16時各GPU相對1080 Ti的每美元加速情況
FP32時各GPU相對1080 Ti的每美元加速情況
根據這個評估指標，RTX 2080 Ti是所有GPU中最物有所值的。
2080 Ti vs V100：2080 Ti真的那麼快嗎？
可能有人會有疑問，為什麼2080 Ti的速度能達到Tesla V100的80%，但它的價格只是後者的八分之一？答案很簡單，NVIDIA希望細分市場，以便那些有足夠財力的機構/個人繼續購買Tesla V100（約9800美元），而普通用戶則可以選擇在自己價格接受范圍內的RTX和GTX系列顯卡——它們的性價比更高。
除了AWS、Azure和Google Cloud這樣的雲服務商，個人和機構可能還是買2080 Ti更劃算。但這不是說亞馬遜、微軟、Google這些公司「人傻錢多」，Tesla V100確實有一些其他GPU所沒有的重要功能：
如果你需要FP64計算。如果你的研究領域是計算流體力學、N體模擬或其他需要高數值精度（FP64）的工作，那麼你就得購買Titan V或V100s。
如果你對32 GB的內存有極大需求（比如11G的內存都不夠存儲模型的1個batch）。這類情況很少見，它面向的是想創建自己的模型體系架構的用戶。而大多數人使用的都是像ResNet、VGG、Inception、SSD或Yolo這樣的東西，這些人的佔比可能不到5%。
面對2080 Ti，為什麼還會有人買Tesla V100？這就是NVIDIA做生意的高明之處。
2080 Ti是保時捷911，V100是布加迪威龍
V100有點像布加迪威龍，它是世界上最快的、能在公路上合法行駛的車，同時價格也貴得離譜。如果你不得不擔心它的保險和維修費，那你肯定買不起這車。另一方面，RTX 2080 Ti就像一輛保時捷911，它速度非常快，操控性好，價格昂貴，但在炫耀性上就遠不如前者。
畢竟如果你有買布加迪威龍的錢，你可以買一輛保時捷，外加一幢房子、一輛寶馬7系、送三個孩子上大學和一筆客觀的退休金。
原始性能數據
FP32吞吐量
FP32（單精度）演算法是訓練CNN時最常用的精度。以下是實驗中的具體吞吐量數據：
FP16吞吐量（Sako）
FP16（半精度）演算法足以訓練許多網路，這里實驗用了Yusaku Sako基準腳本：
FP32（Sako）
FP16時訓練加速比（以1080 Ti為基準）
FP32時訓練加速比（以1080 Ti為基準）
價格表現數據（加速/$1,000）FP32
價格表現數據（加速/$1,000）FP16
實驗方法
所有模型都在合成數據集上進行訓練，這能將GPU性能與CPU預處理性能有效隔離開來。
對於每個GPU，對每個模型進行10次訓練實驗。測量每秒處理的圖像數量，然後在10次實驗中取平均值。
計算加速基準的方法是獲取的圖像/秒吞吐量除以該特定模型的最小圖像/秒吞吐量。這基本上顯示了相對於基線的百分比改善（在本實驗中基準為1080 Ti）。
2080 Ti、2080、Titan V和V100基準測試中考慮到了Tensor Core。
實驗中使用的batch size
此外，實驗還有關於硬體、軟體和「什麼是典型的單GPU系統」的具體設置，力求盡量還原普通用戶的模型訓練環境，充分保障了結果的准確性。
❽ RTX 2060Super可以用作機器學習、神經網路訓練么
當然可以，顯卡能不能用於這些深度學習演算法訓練，主要看有沒有cuda單元。 super的意思只是cuda單元增加了，所以肯定能用，而且比普通版的要好