machine-learning - 哪种 GPU 型号/品牌最适合神经网络？

Question

已关闭。此问题不符合 Stack Overflow guidelines 。目前不接受答案。

---

这个问题似乎不是关于 a specific programming problem, a software algorithm, or software tools primarily used by programmers 。如果您认为这个问题与 another Stack Exchange site 上的主题有关，您可以发表评论来解释问题可能在哪里得到解答。

已关闭 8 年前。

Improve this question

这并不是一个无理的问题。 Nvidia 和 ATI 架构存在很大差异，因此对于某些任务(例如比特币挖掘)，ATI 远远优于 Nvidia。

神经网络相关处理也是如此。我试图在这样的背景下比较 2 个 GPU 品牌，但未能成功。

我的期望是，GPU 中的神经网络处理最重要的是核心数量。这是正确的吗？

Answer 1

几乎所有使用 GPU 的 ML 软件都可以(最好)与 CUDA 配合使用，因此 Nvidia 的 GPU 更可取。

看看this discussion 。并且，有一篇关于 which GPU to get for deep learning 的文章(现代神经网络)。相关引用:

So what kind of GPU should I get? NVIDIA or AMD?

NVIDIA’s standard libraries made it very easy to establish the first deep learning libraries in CUDA, while there were no such powerful standard libraries for AMD’s OpenCL. Right now, there are just no good deep learning libraries for AMD cards – so NVIDIA it is. Even if some OpenCL libraries would be available in the future I would stick with NVIDIA: The thing is that the GPU computing or GPGPU community is very large for CUDA and rather small for OpenCL. Thus in the CUDA community good open source solutions and solid advice for your programming is readily available.

NVIDIA 之所以如此出色，是因为他们投入了大量精力来支持科学计算(例如，参见 cuDNN。这意味着他们承认这个领域并尝试向这些应用迈进)。

所以，NVIDIA 拥有大量 GPU。您应该选择哪一个？

简短回答，基于上面引用的文章(我强烈建议阅读它!):GTX 980。

实际上，核心数量并没有那么重要。 GPU 没有大量内存，因此与主机(RAM)的通信是不可避免的。因此，重要的是板载内存量(以便您可以加载和处理更多内容)和带宽(以便您不必花费大量时间等待)。