神經網路用哪個顯卡好

㈠ 深度學習顯卡用amd還是英偉達

深度學習顯卡用英偉達比較好。

NVIDIA使用的人較多，所以網上的資源也比較多，容易學習和構建。而AMD的顯卡，由於很遲才推出它的編程架構，用的人比較少，所以網上的資料較少，所以很難去學習。NVIDIA在深度學習訓練方面的領先地位在MLPerf 0.6中得到了證明，這是AI訓練的第一項行業級基準測試。

深度學習顯卡的選擇：

1、選擇算力在5.0以上的

根據官方說明，在GPU算力高於5.0時，可以用來跑神經網路。算力越高，計算能力越強，建議小夥伴們在資金充足的情況下，盡量買算力高一些的。

2、盡量選擇大顯存

顯存越高，意味著性能越強悍。特別是對於CV領域的朋友們，建議至少有一個8GB顯存的顯卡。下面是英偉達的部分中高端顯卡的一些性能參數。

3、GPU幾個重要的參數

GPU架構：

不同款的GPU可能採用不同設計架構，比如GeForce 10系列的GTX 1080/1080Ti採用的是Pascal架構，而GeForce 20系列的RTX 2080/2080Ti採用的是Turing架構。不同架構的GPU，即使其他參數差不多，性能差別可能非常大。

顯存帶寬：

代表GPU晶元每秒與顯存交換的數據大小，這個值等於顯存位寬＊工作頻率，單位為GB/秒，該值越大，代表GPU性能越好。Geforce GTX 1080的顯存帶寬為320GB/秒，而它的升級版Geforce RTX 2080的帶寬為448GB/秒。

顯存位寬：

代表GPU晶元每個時鍾周期內能從GPU顯存中讀取的數據大小，這個值越大代表GPU晶元和顯存之間數據交換的速度越快，性能越好。Geforce GTX 1080的顯存位寬為256bit，Geforce RTX 2080Ti顯存位寬為352bit。

GPU工作頻率：

代表GPU每秒鍾工作次數，單位為MHz，跟CPU的頻率類似。該值越大代表性能越好。

CUDA核心數量：

CUDA核心數量越大越好，Geforce GTX 1080的CUDA核心數量是2560個。而Geforce RTX 2080Ti的CUDA核心數高達4352個。

功耗：

GPU能耗，像Geforce這種消費級的顯卡一般功耗非常高，Geforce GTX 1080的最大功耗為175W，Tesla P4的最大功耗為75W。像那種數據中心大規模級別的GPU部署，低功耗的顯卡一年電費能省很多。

㈡ NVIDIA Quadro k600可以用來配合CUDA跑神經網路嗎

這是一款入門級的專業顯卡,CUDA單元很少, 所以不適合.

㈢ 核心顯卡可以跑神經網路

核心顯卡可以跑，神經網路的你可以在核心店卡裡面登錄好神經經絡網路，然後再進行系統操作就可以。

㈣ 神經網路運算一般配多少G顯卡

8GB。
一個神經網路，除了看模型的性能（准確率/精度）以外，還要考慮在訓練/推理時模型佔用的內存大小和計算量，畢竟一個效果再好的模型，如果需要內存才能跑起來，綜上總的算下來，神經網路運算一般配8GB顯卡就夠用了。

㈤ 訓練神經網路用什麼顯卡

Quadro是計算系列顯卡，用於專業計算。面向的對象是實驗室和公司等用於專業計算的用戶。在性能上Quadro並不會相較於GTX 1080 Ti有太大的優勢，但是Nvidia限制了GTX消費群體，只能用來作個人用戶和游戲使用，不能進行商業計算或者實驗室開發。雖然規定顯然是為了Nvidia的利益，但是對於消費者而言，也是一件好事，可以讓普通消費者更輕易買到好的GPU。
如果是個人來用的話，推薦GTX，也可以考慮RTX，畢竟在價格和性價比上具有絕對的優勢

㈥ RTX 2060Super可以用作機器學習、神經網路訓練么

當然可以，顯卡能不能用於這些深度學習演算法訓練，主要看有沒有cuda單元。 super的意思只是cuda單元增加了，所以肯定能用，而且比普通版的要好

㈦ 訓練深度學習的人工智慧，用哪個廠商的顯卡最好

顯卡領域，准確說是GPU領域，就是英偉達和AMD的顯卡這兩家實力最強。
英特爾還算初入門，實力不夠。
至於華碩，只是拿來GPU之後做成顯卡的，不足以與前幾家相提並論。

㈧ 神經網路做圖像分類一定要用到gpu嗎

GPU最大的價值一直是「accelerating」(加速)，GPU不是取代CPU，而是利用GPU的並行計算架構，來將並行計算的負載放到GPU上來處理從而極大的提升處理速度。GPU本質上在異構計算架構上屬於協處理器，常見的協處理器除了GPU，還有TPU、FPGA、ASIC等。神經網路圖像分割，有很多適合GPU來做並行處理的演算法。而GPU相較於其它加速協處理晶元，有更好的可編程性。NVIDIA在GPU加速計算領域發展多年，已經形成了非常好的軟體生態。目前在深度學 習的訓練端，GPU的應用和部署已經極為普遍，說是標准配置也不為過。在推理端，NVIDIA也有布局T4 GPU卡。深度神經網路用GPU相較純CPU，能夠提速幾百倍，所以還是推薦GPU。關於負載如何搭配硬體配置，選用什麼型號的GPU卡還是可以咨詢下英偉達官方授權的代 理商-思騰合力，我想在這方面思騰合力會幫助到你的。

㈨ 現在英偉達的什麼顯卡還可以用來做神經網路計算

沒錯，現在顯卡的多處理器結構比標准CPU更適合做神經網路計算。