#頭号周刊#

在處理機器學習時，特别是在處理深度學習和神經網絡時，最好使用顯卡來處理，而不是CPU。在神經網絡方面，即使是低端的GPU也會勝過CPU。

但是你應該買哪種GPU呢?有很多種選擇，本文将盡量考慮各種相關因素，以便您可以根據您的預算和特定的建模要求做出合适的選擇。

CPU(中央處理器)是計算機的主力，重要的是它非常靈活。它可以處理來自各種程序和硬件的指令，而且處理速度非常快。為了在這種多任務環境中表現出色，CPU 具有少量靈活且快速地處理單元（也稱為内核）。

GPU(圖形處理器)更加專業，在多任務處理方面沒有那麼靈活。它旨在并行執行大量複雜的數學計算，從而提高吞吐量。這是通過擁有更多數量的更簡單的核心來實現的，有時是數千個，這樣就可以一次處理許多計算。

并行執行多個計算的要求非常适合以下情況:

• 圖形渲染——移動的圖形對象需要不斷計算其軌迹，這需要大量不斷重複的并行數學計算。
• 機器和深度學習——大量的矩陣/張量計算，可以通過 GPU 并行處理。
• 可以拆分為并行運行的任何類型的數學計算。

随着人工智能和機器/深度學習的蓬勃發展，現在甚至出現了更專門的處理核，稱為張量核心。當執行張量/矩陣計算時，它們更快更有效。這正是機器/深度學習所涉及的數學類型所需要的。

盡管有專用的TPU，但一些最新的GPU也包括許多張量核心，您将在本文後面看到這一點。

答案肯定是:英偉達（Nvidia）

你可以使用AMD的GPU進行機器/深度學習，但Nvidia的GPU具有更高的兼容性，并且通常還可以更好地集成到TensorFlow和PyTorch等工具中。

如果嘗試使用一個帶有TensorFlow的AMD GPU需要使用額外的工具(ROCm)，這往往有點繁瑣，有時還隻能使用不太最新的TensorFlow/PyTorch版本。

這種情況可能會在未來有所改善，但如果你想要一個好的體驗，最好堅持使用Nvidia。

選擇一個适合你預算的GPU，同時也能夠完成你想要的機器學習任務，基本上歸結為四個主要因素的平衡:

1. GPU有多少RAM？
2. GPU 有多少個CUDA或Tensor核心？
3. 該卡使用什麼芯片架構？
4. 您的功耗要求是什麼（如果有的話）？

答案是，越多越好!

這實際上取決于你機器學習模型是什麼，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，那麼根據定義，你将處理大量的數據，而GPU RAM将是一個非常重要的考慮因素。當然也有辦法解決内存不足的問題（例如調整batch size）。

作為一般經驗法則，我建議如下：

4GB:隻要您不處理過于複雜的模型或大量圖像、視頻或音頻，這在大多數情況下都可以很好地工作。如

8GB:您可以在不達到 RAM 限制的情況下完成大多數任務，但是對于包含圖像、視頻或音頻的更複雜的模型，您會遇到問題。

12GB:我認為這是最佳的，您可以處理大多數較大的模型，包含處理圖像、視頻或音頻的模型。

12GB :越多越好，您将能夠處理更大的數據集和更大的batch sizes。然而，超過12GB則價格會很高。

一般來說，如果價格相同，最好選擇内存更大、速度更慢的卡。記住，GPU的優勢是高吞吐量，這在很大程度上依賴于可用的RAM來通過GPU提供數據。

實際上，應該首先考慮其他項，如RAM和芯片架構，然後再從選擇中查看CUDA/張量核心數量最高的顯卡。

對于機器/深度學習，張量核心比CUDA核心更好(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确設計的。

事實上，CUDA核的速度已經足夠快了。如果你能得到一張包含張量核心的卡片，這是一個很好的加分點，隻是不要太糾結于它。

總結一下：

• CUDA核心：這些是顯卡上的物理處理器，通常有數千個。
• CUDA 11： 數字可能會發生變化，但這是指為使顯卡工作而安裝的軟件/驅動程序。定期發布新版本，它可以像任何其他軟件一樣安裝。
• CUDA generation (or compute capability):這描述了顯卡的能力。這在硬件中是固定的，因此隻能通過升級到新卡來更改。它以數字和代号區分。示例：3.x [Kepler]、5.x [Maxwell]、6.x [Pascal]、7.x [Turing] 和 8.x [Ampere]。

這實際上比你想象的更重要。正如我之前提到的，我們基本上已經抛棄了AMD，我們隻能選擇英偉達。

最主要的是要注意芯片組的“Compute Capability（計算能力）”，有時被稱為“CUDA generation”。這對每張卡都是固定的，所以一旦你買了這張卡，你就隻能使用這張卡的計算能力了。

如果您的GPU具有 7.x (Turing) 或更高的計算能力，則可以使用混合精度訓練。這基本上是 RTX 20 系列或更新版本，或者是服務器上的 RTX、“T”或“A”系列。

在考慮使用新顯卡時，混合精度訓練如此具有優勢的主要原因是它降低了 RAM 使用率，因此通過使用稍新的顯卡，您的 RAM 需求會降低。

如果您的RAM要求特别高，但沒有足夠的錢購買高端卡，那麼您可能會在二手市場上選擇較舊型号的GPU。

一個典型的例子是 Tesla K80，它有4992 個CUDA核心和24GB 的 RAM。它最初在 2014 年的零售價約為7000.00美元。目前也就3000RMB左右。

但是，有一個相當大的缺點。K80 的計算能力為 3.7 (Kepler)，從 CUDA 11 起已棄用（當前的 CUDA 版本為 11）。這意味着該卡無法在未來版本的 CUDA 驅動程序中使用。

Nvidia基本上把他們的分成兩部分。一種是消費類顯卡，另一種是針對工作站/服務器的顯卡(即專業顯卡)。

這兩個部分之間有明顯的區别，但需要記住的是，在相同規格(RAM、CUDA核心、架構)下，消費顯卡通常會更便宜，專業卡一般會有更好的質量和較低的功耗。

對于高端專業卡，你會注意到它們有很多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、渲染和機器學習/深度學習專業市場，這些市場需要大的RAM。

總而言之，普通學習可以選擇消費類顯卡，畢竟價格便宜也好購買。

請記住，如果你真的有很高的預算，你應該看看專業卡系列，比如 Nvidia A系列卡，它的成本可能高達數千美元。

低預算

中等預算

高預算

如果你覺得買顯卡不适合你，你可以使用GPU雲服務器（騰訊、阿裡等均提供）。