显卡性能比较 & GPU common sense

显卡性能天梯图

https://www.mydrivers.com/zhuanti/tianti/gpu/

 

experience from zhihu

NVIDIA主要有三个系列的显卡：GeForce,Quadro,Tesla。

GeForce面向游戏，Quadro面向3D设计、专业图像和CAD等，Tesla面向科学计算。

---

GeForce面向游戏，性能高，但精度低，稳定性比Telsa差很多。毕竟玩游戏的时候如果程序崩了也就丢个存档，但服务器崩了没准挂掉一个公司。

Tesla从诞生之初就瞄准高精度科学计算，所以Tesla严格意义上不是块显卡，是个计算加速卡。（对于不带视频输出的Tesla显卡而言，玩游戏是指望不上的）。

Tesla的设计上双精度浮点数的能力比起Geforce系列强很多，不过从深度学习的角度看，双精度显得不那么重要，经典的AlexNet就算两块GTX580训练出来的。

除了精度，Tesla主要面向工作站和服务器，所以稳定性很好，同时会有很多针对服务器的优化。

当然，Tesla系列最大的特点是贵。

---

综上，如果在大规模集群上进行深度学习研发和部署，Tesla是首选，尤其是M和P子系列。

单机上开发的话，土豪或者追求稳定性高的人请选Tesla，最有性价比且能兼顾日常使用的选择是GeForce.

作者：MissCatty
链接：https://www.zhihu.com/question/63871565/answer/510320254
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

 

 

那么对于深度学习，如何选择GPU？我的建议如下：

• 总体来说最好的 GPU 是: RTX 2080 Ti
• 成本效益高，但价格昂贵：RTX 2080, GTX 1080
• 成本效益高，且价格实惠: GTX 1070, GTX 1070 Ti, GTX 1060
• 我使用的数据集 > 250GB: RTX 2080 Ti 或 RTX 2080
• 我没有太多预算: GTX 1060 (6GB)
• 我很穷: GTX 1050 Ti (4GB) or CPU (prototyping) + AWS/TPU (training)
• 我参加 Kaggle 竞赛: GTX 1060 (6GB) 用于原型设计 , AWS 用于最终训练; 使用 fastai 库
• 我是计算机视觉研究人员：RTX 2080 Ti; 2019 年可以升级到 RTX Titan
• 我是一名研究人员：RTX 2080 Ti 或 GTX 10XX -> RTX Titan（看一下你当前模型的存储要求）

https://zhuanlan.zhihu.com/p/42809635

 

useful background

https://www.cnblogs.com/timlly/p/11471507.html#11-%E4%B8%BA%E4%BD%95%E8%A6%81%E4%BA%86%E8%A7%A3gpu%EF%BC%9F