算法训练显卡
❶ 挖矿显卡为什么不能买
可以买。你认识矿主，可以买。
有人说矿卡容易坏，即便矿卡运行时间长，也都是在合适的运行时间内运行的，不存在天天开机，显卡就容易坏这个逻辑不合理。一般来说，只有放坏的电子设备，没有用坏的电子设备。
当然了，价格要合适，买二手肯定要便宜。不然谁买二手的，买新不买旧。矿卡使用折旧实际上已经算在费用里。所以矿卡是可以放心买的。
真正要警惕的是，PI安子。一些人通过把一些坏了的显卡，维修之后，屏蔽一些功能来当作好的显卡卖。用质量存在问题的显卡说是矿卡。打着矿卡的旗号，吸引消费者购买。这个就要警惕了。我国的二手商品市场鱼龙混杂，就算你有火眼金睛，也有翻车的时候。
就算不能挖矿了，现在还有很多机器学习算法训练的用途，所以矿主们即便不挖矿，也不至于卖矿卡，他们矿机的算力依然有市场需求。尤其是在当下，显卡比较贵的市场环境下。矿主们不太可能卖显卡，因为他们卖了显卡就没得买。不要幻想天上掉馅饼，未来两到三年，会一直这样。
关键在于渠道，你能找到渠道就可以买。网上的就算了吧，你换位思考一下，我们的二手渠道是很窄的。谁整天啥事不做就在网上乱逛卖东西？一个二手卖家遇到另一个二手卖家的概率非常低，大概率是二手卖家遇到的事二手贩子，而首尔卖家也遇到的是二手贩子，因为二手贩子才是二手市场真正的主宰。现在主宰不讲武德，你敢买？》
❷ 深度学习100万张图像 用显卡训练需要多久
跑深度,主要靠单精度浮点计算能力：不缺钱上GTXTiTanX缺钱就双路GTX1070TITANXPACAL：11TGTX1080：8.9TGTX1070：6.5T
❸ 做深度学习需要什么样的GPU满足什么样的要求呢
如果你正在构建或升级你的深度学习系统，你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上，收获巨大。
主要任务：承担深度学习的数据建模计算、运行复杂算法。
蓝海大脑的液冷GPU服务器挺好的，具有高性能，高密度、扩展性强等特点。液冷GPU服务器产品支持1~20块 GPU卡，还可以选择，毕竟能可以选择也是很好的,芯片主要采用龙芯、飞腾、申威、海光、英伟达、Intel、AMD。完全定制啊，敲开心。适用于深度学习训练及推理、生命科学、医药研发、虚拟仿真等场景，覆盖服务器、静音工作站、数据中心等多种产品形态，量身定制，满足客户全场景需求。技术人员给的建议都非常受用。
❹ 训练神经网络用什么显卡
Quadro是计算系列显卡，用于专业计算。面向的对象是实验室和公司等用于专业计算的用户。在性能上Quadro并不会相较于GTX 1080 Ti有太大的优势，但是Nvidia限制了GTX消费群体，只能用来作个人用户和游戏使用，不能进行商业计算或者实验室开发。虽然规定显然是为了Nvidia的利益，但是对于消费者而言，也是一件好事，可以让普通消费者更轻易买到好的GPU。
如果是个人来用的话，推荐GTX，也可以考虑RTX，毕竟在价格和性价比上具有绝对的优势
❺ 是什么原因造成显卡短缺、价格奇高
近期，我们周围的显卡短缺、价格很高，很多想要买电脑的人都叫苦不迭。不过，造成这个现象的原因比较复杂，全球疫情的变化是造成这个现象的直接导火索，而芯片短缺、虚拟币“挖矿”行为的火爆都助推了这个现象的扩大化。
虚拟币“挖矿”行为的火爆，则使得显卡价格上涨的速度加快。众所周知，以比特币为代表的虚拟币出现了阶段性大涨，这类虚拟币的大涨就使得不少投资者加大了对虚拟币“挖矿”的投入。毕竟，“挖矿”行为消耗的是电力，但其成果则是一个个价格不菲的虚拟币。“挖矿”是一个非常消耗算力的行为，也需要投资者购买更好的电脑设备作为支撑。矿机的价格，也因为“挖矿”行为的增多而上涨。
显卡是电脑的重要组成部分，不少用于“挖矿”的电脑，都必须配备性能优秀的显卡来满足日常运作的需要。这样的市场需求，就加速了显卡价格的上涨。毕竟，显卡厂商看见“挖矿者”不计成本的购买行为，就必然会提价来增加自己的利润。因此，我国对虚拟币“挖矿”行为的严厉打击，实际上是有利于显卡价格逐步回归正常化的。
❻ 训练深度学习的人工智能，用哪个厂商的显卡最好
显卡领域，准确说是GPU领域，就是英伟达和AMD的显卡这两家实力最强。
英特尔还算初入门，实力不够。
至于华硕，只是拿来GPU之后做成显卡的，不足以与前几家相提并论。
❼ 什么GPU最好
根据全面定性定量的实验结果，截至2018年10月8日，NVIDIA RTX 2080 Ti是现在最好的深度学习GPU（用单个GPU运行Tensoflow）。以单GPU系统的性能为例，对比其他GPU，它的优劣分别是：
FP32时，速度比1080 Ti快38%；FP16时，快62％。在价格上，2080 Ti比1080 Ti贵25%
FP32时，速度比2080快35%；FP16时，快47％。在价格上，2080 Ti比2080贵25%
FP32时，速度是Titan V的96%；FP16时，快3％。在价格上，2080 Ti是Titan V的1/2
FP32时，速度是Tesla V100的80%；FP16时，是Tesla V100的82%。在价格上，2080 Ti是Tesla V100的1/5
请注意，所有实验都使用Tensor Core（可用时），并且完全按照单个GPU系统成本计算。
深入分析
实验中，所有GPU的性能都是通过在合成数据上训练常规模型，测量FP32和FP16时的吞吐量（每秒处理的训练样本数）来进行评估的。为了标准化数据，同时体现其他GPU相对于1080 Ti的提升情况，实验以1080 Ti的吞吐量为基数，将其他GPU吞吐量除以基数计算加速比，这个数据是衡量两个系统间相对性能的指标。
训练不同模型时，各型号GPU的吞吐量
对上图数据计算平均值，同时按不同浮点计算能力进行分类，我们可以得到：
FP16时各GPU相对1080 Ti的加速比
FP32时各GPU相对1080 Ti的加速比
可以发现，2080的模型训练用时和1080 Ti基本持平，但2080 Ti有显着提升。而Titan V和Tesla V100由于是专为深度学习设计的GPU，它们的性能自然会比桌面级产品高出不少。最后，我们再将每个GPU的平均加速情况除以各自总成本：
FP16时各GPU相对1080 Ti的每美元加速情况
FP32时各GPU相对1080 Ti的每美元加速情况
根据这个评估指标，RTX 2080 Ti是所有GPU中最物有所值的。
2080 Ti vs V100：2080 Ti真的那么快吗？
可能有人会有疑问，为什么2080 Ti的速度能达到Tesla V100的80%，但它的价格只是后者的八分之一？答案很简单，NVIDIA希望细分市场，以便那些有足够财力的机构/个人继续购买Tesla V100（约9800美元），而普通用户则可以选择在自己价格接受范围内的RTX和GTX系列显卡——它们的性价比更高。
除了AWS、Azure和Google Cloud这样的云服务商，个人和机构可能还是买2080 Ti更划算。但这不是说亚马逊、微软、Google这些公司“人傻钱多”，Tesla V100确实有一些其他GPU所没有的重要功能：
如果你需要FP64计算。如果你的研究领域是计算流体力学、N体模拟或其他需要高数值精度（FP64）的工作，那么你就得购买Titan V或V100s。
如果你对32 GB的内存有极大需求（比如11G的内存都不够存储模型的1个batch）。这类情况很少见，它面向的是想创建自己的模型体系架构的用户。而大多数人使用的都是像ResNet、VGG、Inception、SSD或Yolo这样的东西，这些人的占比可能不到5%。
面对2080 Ti，为什么还会有人买Tesla V100？这就是NVIDIA做生意的高明之处。
2080 Ti是保时捷911，V100是布加迪威龙
V100有点像布加迪威龙，它是世界上最快的、能在公路上合法行驶的车，同时价格也贵得离谱。如果你不得不担心它的保险和维修费，那你肯定买不起这车。另一方面，RTX 2080 Ti就像一辆保时捷911，它速度非常快，操控性好，价格昂贵，但在炫耀性上就远不如前者。
毕竟如果你有买布加迪威龙的钱，你可以买一辆保时捷，外加一幢房子、一辆宝马7系、送三个孩子上大学和一笔客观的退休金。
原始性能数据
FP32吞吐量
FP32（单精度）算法是训练CNN时最常用的精度。以下是实验中的具体吞吐量数据：
FP16吞吐量（Sako）
FP16（半精度）算法足以训练许多网络，这里实验用了Yusaku Sako基准脚本：
FP32（Sako）
FP16时训练加速比（以1080 Ti为基准）
FP32时训练加速比（以1080 Ti为基准）
价格表现数据（加速/$1,000）FP32
价格表现数据（加速/$1,000）FP16
实验方法
所有模型都在合成数据集上进行训练，这能将GPU性能与CPU预处理性能有效隔离开来。
对于每个GPU，对每个模型进行10次训练实验。测量每秒处理的图像数量，然后在10次实验中取平均值。
计算加速基准的方法是获取的图像/秒吞吐量除以该特定模型的最小图像/秒吞吐量。这基本上显示了相对于基线的百分比改善（在本实验中基准为1080 Ti）。
2080 Ti、2080、Titan V和V100基准测试中考虑到了Tensor Core。
实验中使用的batch size
此外，实验还有关于硬件、软件和“什么是典型的单GPU系统”的具体设置，力求尽量还原普通用户的模型训练环境，充分保障了结果的准确性。
❽ RTX 2060Super可以用作机器学习、神经网络训练么
当然可以，显卡能不能用于这些深度学习算法训练，主要看有没有cuda单元。 super的意思只是cuda单元增加了，所以肯定能用，而且比普通版的要好