在進行機器學習項目時，特別是在處理深度學習和神經(jīng)網(wǎng)絡時，最好使用GPU而不是CPU來處理，因為在神經(jīng)網(wǎng)絡方面，即使是一個非?；镜腉PU也會勝過CPU。

但是你應該買哪種GPU呢?本文將總結需要考慮的相關因素，以便可以根據(jù)預算和特定的建模要求做出明智的選擇。

為什么 GPU 比 CPU 更適合機器學習？

CPU（中央處理器）是計算機的主力，它非常靈活，不僅需要處理來自各種程序和硬件的指令，并且處理速度也有一定的要求。為了在這種多任務環(huán)境中表現(xiàn)出色，CPU 具有少量且靈活快速的處理單元（也稱為核）。

GPU（圖形處理單元）GPU在多任務處理方面不那么靈活。但它可以并行執(zhí)行大量復雜的數(shù)學計算。這是通過擁有更多數(shù)量的簡單核心（數(shù)千個到上萬）來實現(xiàn)的，這樣可以同時處理許多簡單的計算。

并行執(zhí)行多個計算的要求非常適合于:

• 圖形渲染——移動的圖形對象需要不斷地計算它們的軌跡，這需要大量不斷重復的并行數(shù)學計算。

• 機器和深度學習——大量的矩陣/張量計算，GPU可以并行處理。

• 任何類型的數(shù)學計算，可以拆分為并行運行。

在Nvidia自己的博客上已經(jīng)總結了CPU和GPU的主要區(qū)別:

張量處理單元(TPU)

隨著人工智能和機器/深度學習的發(fā)展，現(xiàn)在已經(jīng)有了更專門的處理核心，稱為張量核（Tensor cores）。在執(zhí)行張量/矩陣計算時，它們更快更有效。因為我們在機器/深度學習中所處理的數(shù)據(jù)類型就是張量。

雖然有專用的tpu，但一些最新的GPU也包括許多張量核，我們會在后面總結。

Nvidia vs AMD

這將是一個相當短的部分，因為這個問題的答案肯定是Nvidia

雖然可以使用AMD的gpu進行機器/深度學習，但在寫本文時，Nvidia的GPU具有更高的兼容性，并且通常更好地集成到TensorFlow和PyTorch等工具中（比如目前PyTorch的AMD GPU的支持還只能在Linux上使用）。

使用AMD GPU需要使用額外的工具(ROCm)，這個會有一些額外的工作，并且版本可能也不會更新的很快。這種情況將來可能會有所改善，但是現(xiàn)在為止，最好還是使用Nvidia。

GPU選擇的主要屬性

選擇一個夠完成機器學習任務并且符合預算的GPU，基本上歸結為四個主要因素的平衡:

• GPU有多少內(nèi)存?

• GPU有多少個CUDA和/或張量核?

• 卡使用什么芯片架構?

• 功耗要求是多少（如果有）？

下面將逐一探討這些方面，希望能讓你更好地理解什么對你來說是重要的。

GPU內(nèi)存

答案是，越多越好!

這實際上取決于你的任務，以及這些模型有多大。例如，如果你正在處理圖像、視頻或音頻，那么根據(jù)定義，你將處理相當大量的數(shù)據(jù)，GPU RAM將是一個非常重要的考慮因素。

總有辦法解決內(nèi)存不足的問題(例如減少批處理大小)。但是這將會浪費訓練的時間，因此需要很好地平衡需求。

根據(jù)經(jīng)驗，我的建議如下:

4GB：我認為這是絕對的最小值，只要你不是在處理過于復雜的模型，或者大的圖像、視頻或音頻，這個在大多數(shù)情況下能工作，但是達不到日常使用的需要。如果你剛剛起步，想嘗試一下又不想全力投入，那么可以從它開始

8GB：這是一個日常學習很好的開始，可以在不超過RAM限制的情況下完成大多數(shù)任務，但在使用更復雜的圖像、視頻或音頻模型時會遇到問題。

12GB：我認為這是科研最基本的的要求?？梢蕴幚泶蠖鄶?shù)較大的模型，甚至是那些處理圖像、視頻或音頻的模型。

12GB+ ：越多越好，你將能夠處理更大的數(shù)據(jù)集和更大的批處理大小。超過12GB才是價格真正開始上漲的開始。

一般來說，如果成本相同的話，選擇“速度較慢”但內(nèi)存較大的卡會更好。請記住，GPU的優(yōu)勢是高吞吐量，這在很大程度上依賴于可用的RAM來通過GPU傳輸數(shù)據(jù)。

CUDA核心和Tensor 核心

這其實很簡單，越多越好。

首先考慮RAM，然后就是CUDA。對于機器/深度學習來說，Tensor 核比CUDA核更好(更快，更有效)。這是因為它們是為機器/深度學習領域所需的計算而精確設計的。

但是這并不重要，因為CUDA內(nèi)核已經(jīng)足夠快了。如果你能得到一張包含Tensor 核的卡，這是一個很好的加分點，只是不要太糾結于它。

后面你會看到“CUDA”被提到很多次，我們先總結一下它:

CUDA核心——這些是顯卡上的物理處理器，通常有數(shù)千個，4090已經(jīng)1萬6了。

CUDA 11 -數(shù)字可能會改變，但這是指安裝的軟件/驅動程序，以允許顯卡正常的工作。NV會定期發(fā)布新版本，它可以像任何其他軟件一樣安裝和更新。

CUDA代數(shù)(或計算能力)-這描述了顯卡卡在它的更新迭代的代號。這在硬件上是固定的，因此只能通過升級到新卡來改變。它由數(shù)字和一個代號來區(qū)分。例子:3。x[Kepler]，5。x [Maxwell]， 6。x [Pascal]， 7。x[Turing]和8。x(Ampere)。

芯片架構

這實際上比你想象的更重要。我們這里不討論AMD，我的眼里只有”老黃“。

上面我們已經(jīng)說了，30系列的卡就是Ampere架構，最新的40系列是 Ada Lovelace。一般老黃都會使用一個著名科學家和數(shù)學家來對架構命名，這次選擇的是著名英國詩人拜倫之女，建立了循環(huán)和子程序概念的女數(shù)學家、計算機程序創(chuàng)始人Ada Lovelace來命名。

了解對于卡的計算能力，我們要了解2個方面：

顯著的功能改進

這里一個重要的功能就是， 混合精度訓練：

使用精度低于 32 位浮點數(shù)的數(shù)字格式有很多好處。首先它們需要更少的內(nèi)存，從而能夠訓練和部署更大的神經(jīng)網(wǎng)絡。其次它們需要更少的內(nèi)存帶寬，從而加快數(shù)據(jù)傳輸操作。第三數(shù)學運算在精度降低的情況下運行得更快，尤其是在具有 Tensor Core 的 GPU 上?；旌暇扔柧殞崿F(xiàn)了所有這些好處，同時確保與完全精度訓練相比不會丟失特定于任務的準確性。它通過識別需要完全精度的步驟并僅對這些步驟使用 32 位浮點而在其他任何地方使用 16 位浮點來實現(xiàn)這一點。

這里是Nvidia 官方文檔，有興趣的可以看看：

https://docs.nvidia.com/deeplearning/performance/mixed-precision-training/index.html

如果您的 GPU 具有 7.x (Turing) 或更高的架構，才有可能使用混合精確訓練。也就是說 桌面的RTX 20 系列或高版本，或服務器上的 “T”或“A”系列。

混合精度訓練具有如此優(yōu)勢的主要原因是它降低了 RAM 使用率，Tensor Core 的 GPU會加速混精度訓練，如果沒有的話使用FP16也會節(jié)省顯存，可以訓練更大的批大小，間接提升訓練速度。

是否會被棄用

如果你對RAM有特別高的要求，但又沒有足夠的錢買高端卡，那么你可能會選擇二手市場上的老款GPU。這有一個相當大的缺點……這張卡的壽命結束了。

一個典型的例子就是Tesla K80，它有4992個CUDA核心和24GB的RAM。2014年，它零售價約為7000美元?，F(xiàn)在的價格從 150到170美元不等!（咸魚的價格600-700左右）這么小的價格卻有這么大的內(nèi)存，你一定很興奮。

但是這有一個非常大的問題。K80的計算架構是3.7 (Kepler)，CUDA 11起已經(jīng)不支持(當前CUDA版本為11.7)。這意味著這張卡已經(jīng)廢了，所以它才賣的這么便宜。

所以在選擇2手卡時一定要看清楚是否支持最新版本的驅動和CUDA，這是最重要的。

高端游戲卡 VS 工作站/服務器卡

老黃基本上把卡分成了兩部分。消費類顯卡和工作站/服務器的顯卡(即專業(yè)顯卡)。

這兩個部分之間有明顯的區(qū)別，對于相同的規(guī)格(RAM, CUDA內(nèi)核，架構)，消費類顯卡通常會更便宜。但是專業(yè)卡通常會有更好的質(zhì)量，和較低的能源消耗（其實渦輪的噪音挺大的，放機房還可以，放家里或者試驗室有點吵）。

高端(非常昂貴)的專業(yè)卡，你可能會注意到它們有很大的RAM(例如RTX A6000有48GB, A100有80GB!)。這是因為它們通常直接針對3D建模、渲染和機器/深度學習專業(yè)市場，這些市場需要高水平的RAM。再說一次，如果你有錢，買A100就對了!（H100是A100的新版，目前無法評價）

但是我個人認為，我們還是選擇消費者的高端游戲卡，因為如果你不差錢，你也不會看這篇文章，對吧。

選擇建議

所以在最后我根據(jù)預算和需求提出一些建議。我將其分為三個部分:

• 低預算

• 中等預算

• 高預算

高預算不考慮任何超出高端消費顯卡。還是那句話如果你有錢：A100，H100隨便買。

本文中會包含在二手市場買到的卡片。這主要是因為我認為在低預算的情況下，二手是可以考慮的。這里還包括了專業(yè)桌面系列卡(T600、A2000和A4000)，因為它的一些配置比同類消費類顯卡稍差，但功耗明顯更好。

低預算

中等預算

高預算

在線/云服務

如果你決定花錢買顯卡不適合你，你可以利用谷歌Colab，它可以讓你免費使用GPU。

但這是有時間限制的，如果你使用GPU太長時間，他們會把你踢出去，然后回到CPU上。如果GPU處于非活動狀態(tài)太長時間，可能是在你寫代碼的時候，它也會把GPU拿回來。GPU也是自動分配的，所以你不能選擇你想要的確切的GPU（你也可以每月9.9刀弄個Colab Pro，我個人覺得要比低預算好很多，但是要求有梯子，$49.99的Colab Pro+有點貴，不建議）。

在寫本文時，通過Colab可以獲得以下GPU:

在前面也提到了，K80有24GB的RAM和4992個CUDA核心，它基本上是兩個K40卡連在一起。這意味著當你在Colab中使用K80時，你實際上可以訪問一半的卡，所以也就是只有12GB和2496個CUDA內(nèi)核。

總結

最后現(xiàn)在4090還是處于耍猴的狀態(tài)，基本上要搶購或者加價找黃牛但是16384 CUDA + 24GB，對比3090 的10496 CUDA ，真的很香。

而4080 16G的9728CUDA 如果價格能到7000內(nèi)，應該是一個性價比很高的選擇。12G的 4080就別考慮了，它配不上這個名字。

對于AMD的 7900XTX 應該也是一個很好的選擇，但是兼容性是個大問題，如果有人測試的話可以留言。

40系列老黃一直在耍猴，所以如果不著急的話還再等等把：你不買，我不買，明天還能降兩百。