显卡对应的算力arch=compute_

最新推荐文章于 2025-03-31 10:08:39 发布
最新推荐文章于 2025-03-31 10:08:39 发布
阅读量2.3k 收藏 2
点赞数 1
文章标签： linux ubuntu
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/eric_sun_000/article/details/129371102
版权
本文引用自专业资源，详细介绍了显卡的算力与compute_架构之间的关系，特别关注于如何理解这一概念在Linux Ubuntu环境中对GPU性能的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

# GeForce RTX 3070, 3080, 3090
# ARCH= -gencode arch=compute_86,code=[sm_86,compute_86]
# Kepler GeForce GTX 770, GTX 760, GT 740
# ARCH= -gencode arch=compute_30,code=sm_30
# Tesla A100 (GA100), DGX-A100, RTX 3080
# ARCH= -gencode arch=compute_80,code=[sm_80,compute_80]
# Tesla V100
# ARCH= -gencode arch=compute_70,code=[sm_70,compute_70]
# GeForce RTX 2080 Ti, RTX 2080, RTX 2070, Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Tesla T4, XNOR Tensor Cores
# ARCH= -gencode arch=compute_75,code=[sm_75,compute_75]
# Jetson XAVIER
# ARCH= -gencode arch=compute_72,code=[sm_72,compute_72]
# GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4
# ARCH= -gencode arch=compute_61,code=sm_61 -gencode arch=compute_61,code=compute_61
# GP100/Tesla P100 - DGX-1
# ARCH= -gencode arch&#
最低0.47元/天 解锁文章
NVIDIA GPU 运算能力列表
凌风探梅的专栏
03-16 10万+
FROM：https://developer.nvidia.com/cuda-gpus CUDA GPUs NVIDIA GPUs power millions of desktops, notebooks, workstations and supercomputers around the world, accelerating computationally-i
NvidiaGeForce系列显卡算力表（sm表）
guangqianzhang的博客
01-11 1万+
更新于2024.1.11。
（GPU算力12.0版本）Windows 下 Mamba / Vim / Vmamba 环境配置安装教程（适用于5070,5080,5070Ti等GTX 50系显卡）
最新发布
yyywxk的博客
03-31 2047
本人编译好的Windows 下的适用于Vim的whl 也有：（Vim）（cuda12.8）mamba-ssm-1.1.1-cp310-cp310-win-amd64.whl （只适用于torch 2.8，cuda12.8，python 3.10，GPU算力12.0）或者 优惠地址 以及 【全家桶】。），实测发现其需要的cuda及torch版本非常高，原来的博客环境无法兼容，甚至于这些源码的官方代码都无法兼容这么高的算力平台（最高只到9.0），因此再次更新编译，主要流程与之前博客 “
深度学习显卡算力排行榜（显卡天梯图）——以单精度FP32浮点性能为标准的TFLOPS对比
笑脸惹桃花的博客
12-16 3万+
显卡（Graphics Processing Unit，简称GPU）是计算机中用于处理图形相关运算的硬件设备，是现代计算机中不可或缺的重要组成部分。显卡的核心任务是生成计算机显示器上的图像，同时还广泛应用于人工智能、大数据计算和区块链等领域。本文提供深度学习领域的单精度浮点性能显卡天梯图供参考。
【GPU】显卡算力对比表
呵呵呵呵
09-21 2万+
参考链接 https://blog.csdn.net/iefenghao/article/details/97956440?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_w
NVIDIA 显卡算力 统计表
weixin_NineDays66
10-20 7064
显卡性能介绍
最新NVIDIA英伟达GPU显卡算力表
专注于人工智能领域的小何尚
09-15 4万+
随着深度学习的火热, 显卡也变得越来越重要. 而我们在安装各种各样的适配显卡的软件工具时, 都会提到一个显卡算力的概念.
ERSIONS__ -D__CUDA_NO_HALF2_OPERATORS__ -DTORCH_API_INCLUDE_EXTENSION_H '-DPYBIND11_COMPILER_TYPE="_gcc"' '-DPYBIND11_STDLIB="_libstdcpp"' '-DPYBIND11_BUILD_ABI="_cxxabi1011"' -DTORCH_EXTENSION_NAME=sparse_conv_ext -D_GLIBCXX_USE_CXX11_ABI=0 -gencode=arch=compute_86,code=compute_86 -gencode=arch=compute_86,code=sm_86 FAILED: /tmp/pip-install-2orq3ccd/mmdet3d_bedd1fa9197349c4b23a2ae1df261803/build/temp.linux-x86_64-cpython-38/mmdet3d/ops/spconv/src/indice_cuda.o /usr/local/cuda/bin/nvcc -DWITH_CUDA -I/tmp/pip-install-2orq3ccd/mmdet3d_bedd1fa9197349c4b23a2ae1df261803/mmdet3d/ops/spconv/include -I/root/miniconda3/envs/open-mmlab/lib/python3.8/site-packages/torch/include -I/root/miniconda3/envs/open-mmlab/lib/python3.8/site-packages/torch/include/torch/csrc/api/include -I/root/miniconda3/envs/open-mmlab/lib/python3.8/site-packages/torch/include/TH -I/root/miniconda3/envs/open-mmlab/lib/python3.8/site-packages/torch/include/THC -I/usr/local/cuda/include -I/root/miniconda3/envs/open-mmlab/include/python3.8 -c -c /tmp/pip-install-2orq3ccd/mmdet3d_bedd1fa9197349c4b23a2ae1df261803/mmdet3d/ops/spconv/src/indice_cuda.cu -o /tmp/pip-install-2orq3ccd/mmdet3d_bedd1fa9197349c4b23a2ae1df261803/build/temp.linux-x86_64-cpython-38/mmdet3d/ops/spconv/src/indice_cuda.o -D__CUDA_NO_HALF_OPERATORS__ -D__CUDA_NO_HALF_CONVERSIONS__ -D__CUDA_NO_BFLOAT16_CONVERSIONS__ -D__CUDA_NO_HALF2_OPERATORS__ --expt-relaxed-constexpr --compiler-options ''"'"'-fPIC'"'"'' -w -std=c++14 -D__CUDA_NO_HALF_OPERATORS__ -D__CUDA_NO_HALF_CONVERSIONS__ -D__CUDA_NO_HALF2_OPERATORS__ -DTORCH_API_INCLUDE_EXTENSION_H '-DPYBIND11_COMPILER_TYPE="_gcc"' '-DPYBIND11_STDLIB="_libstdcpp"' '-DPYBIND11_BUILD_ABI="_cxxabi1011"' -DTORCH_EXTENSION_NAME=sparse_conv_ext -D_GLIBCXX_USE_CXX11_ABI=0 -gencode=arch=compute_86,code=compute_86 -gencode=arch=compute_86,code=sm_86 /tmp/pip-install-2orq3ccd/mmdet3d_bedd1fa9197349c4b23a2ae1df261803/mmdet3d/ops/spconv/src/indice_cuda.cu:16:10: fatal error: spconv/indice.cu.h: No such file or directory 16 | #include <spconv/indice.cu.h> | ^~~~~~~~~~~~~~~~~~~~ compilation terminated.
03-26
原样貌呈现样子大概是这样子滴呢:`ARCH=-gencode arch=compute_60,code=sm_60 -gencode arch=compute_61,...`,更改之后的样子应该长成这样子才对哦~`(假设有 Pascal Titan X)`: ```makefile NVCC_FLAGS += $(EXTRA_...
Debug：nvcc fatal: Unsupported gpu architecture ‘compute_86‘； sm_86 is not compatible with Pytorch
qq_41035283的博客
05-13 2498
Debug：nvcc fatal: Unsupported gpu architecture 'compute_86' 问题描述1 编译knn_cuda时，报了个错： nvcc fatal : Unsupported gpu architecture ‘compute_86‘ 意思是显卡算力太高，安装的cuda版本不支持（竟然还有这么神奇的错误），compute_86指显卡计算能力是8.6，RTX 30系，A系显卡都是这个算力。 解决方法 通过系统环境变量设置降低算力： export TORCH_CUDA
Nvidia arch 型号对照
lb1244206405的博客
05-31 1万+
-arch=sm_xx Fermi(CUDA 3.2 until CUDA 8)(deprecated from CUDA 9): SM20 or SM_20, compute_30 – Older cards such asGeForce 400, 500, 600, GT-630 Kepler (CUDA 5 and later): SM30 or SM_30, comput...
低算力SM_30使用最新pytorch-1.13
axyes的博客
04-21 940
低算力SM_30使用最新pytorch-1.13 SM_30，如，Quadro K4000。 Centos8.4，内核4.18.0-348.7.1.el8_5.x86_64。
N卡 英伟达Nvidia 显卡及其计算能力（Compute Capability）表
直达开源前线，冲冲冲！
03-10 1156
某些库或软件对显卡算力有要求，可参考下表核对。比如：AWQ量化模型不支持算力小于7.5的显卡。
常用显卡算力对比
qq_55736201的博客
05-16 5万+
TFLOPS：指的是每秒钟可以执行的浮点运算次数，它代表着计算机在处理科学计算、机器学习等任务时的处理能力。TFLOPS的单位是万亿次每秒（trillion floating point operations per second)。一般是指单精度性能FP32。TOPS：指的是每秒钟可以执行的整数运算次数，它代表着计算机在处理图像、音频等任务时的处理能力。TOPS的单位是万亿次每秒（trillion operations per second）。一般是指整数运算能力。
显卡算力查看情况列表
hsg77的专栏
09-06 3793
显卡算力查看情况列表
NVIDIA英伟达GPU显卡算力一览（包含Tesla和GeForce、TITAN及RTX系列等）
热门推荐
qq_41070955的博客
08-27 27万+
英伟达GPU算力一览 官方说明在GPU算力高于5.0时，此计算机可以用来跑神经网络，而在CSDN和网页上查找GPU算力时，没有一个比较全面的博客对目前的显卡算力做统计，而且英伟达官网链接打开真的谜一样，很慢或者直接打不开，所以用这篇博客记录一下截至到2020.8.27，一部分主流供深度学习的GPU的算力。 NVIDIA官方查找GPU算力的网址：https://developer.nvidia.com/cuda-gpus 此外，目前主流的游戏本显卡1650,1660以及1660Ti等并未出现在官网的算力表中，
NVIDA CUDA显卡算力对照表
qq_30121457的博客
10-04 1万+
来源:https://developer.nvidia.com/cuda-gpus ![Quadro显卡计算能力
CUDA计算能力&显卡对照表
Janus
02-16 5万+
CUDA计算能力&显卡对照表: 最新信息参考这个: https://developer.nvidia.com/cuda-gpus Tesla Workstation Products GPU Compute Capability Tesla K80 3.7 Tesla K40 3.5 Tesla K20 3.5 Tesla C2075 2.0 Tesla C2050/C2070 2.0 NVIDIA Data Center Products GPU C
ＮＶＩＤＩＡ显卡算力表－－nvidia显卡算力表
pvmsmfchcs的博客
10-23 7261
参考链接：https://blog.csdn.net/qq_41070955/article/details/108269915。官方链接：https://developer.nvidia.com/cuda-gpus。
2021年，各类显卡的计算能力对比，天梯图
Kp0fS的草稿纸
12-27 7761
t​​​​​​https://gpu.userbenchmark.com/ 对比不同的显卡 https://gpu.userbenchmark.com/Compare/Nvidia-GTX-960M-vs-Nvidia-GTX-1050-Ti/m27242vs3649
评论
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