为深度学习选择最好的GPU

在进行机器学习项目时，特别是在处理深度学习和神经网络时，最好使用GPU而不是CPU来处理，因为在神经网络方面，即使是一个非常基本的GPU也会胜过CPU。

但是你应该买哪种GPU呢?本文将总结需要考虑的相关因素，以便可以根据预算和特定的建模要求做出明智的选择。

为什么 GPU 比 CPU 更适合机器学习？

CPU（中央处理器）是计算机的主力，它非常灵活，不仅需要处理来自各种程序和硬件的指令，并且处理速度也有一定的要求。为了在这种多任务环境中表现出色，CPU 具有少量且灵活快速的处理单元（也称为核）。

GPU（图形处理单元）GPU在多任务处理方面不那么灵活。但它可以并行执行大量复杂的数学计算。这是通过拥有更多数量的简单核心（数千个到上万）来实现的，这样可以同时处理许多简单的计算。

并行执行多个计算的要求非常适合于:

图形渲染——移动的图形对象需要不断地计算它们的轨迹，这需要大量不断重复的并行数学计算。
机器和深度学习——大量的矩阵/张量计算，GPU可以并行处理。
任何类型的数学计算，可以拆分为并行运行。

在Nvidia自己的博客上已经总结了CPU和GPU的主要区别:

张量处理单元(TPU)

随着人工智能和机器/深度学习的发展，现在已经有了更专门的处理核心，称为张量核（Tensor cores）。在执行张量/矩阵计算时，它们更快更有效。因为我们在机器/深度学习中所处理的数据类型就是张量。

虽然有专用的tpu，但一些最新的GPU也包括许多张量核，我们会在后面总结。

Nvidia vs AMD

这将是一个相当短的部分，因为这个问题的答案肯定是Nvidia

虽然可以使用AMD的gpu进行机器/深度学习，但在写本文时，Nvidia的GPU具有更高的兼容性，并且通常更好地集成到TensorFlow和PyTorch等工具中（比如目前PyTorch的AMD GPU的支持还只能在Linux上使用）。

使用AMD GPU需要使用额外的工具(ROCm)，这个会有一些额外的工作，并且版本可能也不会更新的很快。这种情况将来可能会有所改善，但是现在为止，最好还是使用Nvidia。

GPU选择的主要属性

选择一个够完成机器学习任务并且符合预算的GPU，基本上归结为四个主要因素的平衡:

GPU有多少内存?
GPU有多少个CUDA和/或张量核?
卡使用什么芯片架构?
功耗要求是多少（如果有）？

下面将逐一探讨这些方面，希望能让你更好地理解什么对你来说是重要的。

GPU内存

答案是，越多越好!

这实际上取决于你的任务，以及这些模型有多大。例如，如果你正在处理图像、视频或音频，那么根据定义，你将处理相当大量的数据，GPU RAM将是一个非常重要的考虑因素。

总有办法解决内存不足的问题(例如减少批处理大小)。但是这将会浪费训练的时间，因此需要很好地平衡需求。

根据经验，我的建议如下:

4GB：我认为这是绝对的最小值，只要你不是在处理过于复杂的模型，或者大的图像、视频或音频，这个在大多数情况下能工作，但是达不到日常使用的需要。如果你刚刚起步，想尝试一下又不想全力投入，那么可以从它开始

8GB：这是一个日常学习很好的开始，可以在不超过RAM限制的情况下完成大多数任务，但在使用更复杂的图像、视频或音频模型时会遇到问题。

12GB：我认为这是科研最基本的的要求。可以处理大多数较大的模型，甚至是那些处理图像、视频或音频的模型。

12GB+ ：越多越好，你将能够处理更大的数据集和更大的批处理大小。超过12GB才是价格真正开始上涨的开始。

一般来说，如果成本相同的话，选择“速度较慢”但内存较大的卡会更好。请记住，GPU的优势是高吞吐量，这在很大程度上依赖于可用的RAM来通过GPU传输数据。

CUDA核心和Tensor 核心

这其实很简单，越多越好。

首先考虑RAM，然后就是CUDA。对于机器/深度学习来说，Tensor 核比CUDA核更好(更快，更有效)。这是因为它们是为机器/深度学习领域所需的计算而精确设计的。

但是这并不重要，因为CUDA内核已经足够快了。如果你能得到一张包含Tensor 核的卡，这是一个很好的加分点，只是不要太纠结于它。

后面你会看到“CUDA”被提到很多次，我们先总结一下它:

CUDA核心——这些是显卡上的物理处理器，通常有数千个，4090已经1万6了。

CUDA 11 -数字可能会改变，但这是指安装的软件/驱动程序，以允许显卡正常的工作。NV会定期发布新版本，它可以像任何其他软件一样安装和更新。

CUDA代数(或计算能力)-这描述了显卡卡在它的更新迭代的代号。这在硬件上是固定的，因此只能通过升级到新卡来改变。它由数字和一个代号来区分。例子:3。x[Kepler]，5。x [Maxwell]， 6。x [Pascal]， 7。x[Turing]和8。x(Ampere)。

芯片架构

这实际上比你想象的更重要。我们这里不讨论AMD，我的眼里只有”老黄“。

上面我们已经说了，30系列的卡就是Ampere架构，最新的40系列是 Ada Lovelace。一般老黄都会使用一个著名科学家和数学家来对架构命名，这次选择的是著名英国诗人拜伦之女，建立了循环和子程序概念的女数学家、计算机程序创始人Ada Lovelace来命名。

了解对于卡的计算能力，我们要了解2个方面：

显着的功能改进

这里一个重要的功能就是，混合精度训练：

使用精度低于 32 位浮点数的数字格式有很多好处。首先它们需要更少的内存，从而能够训练和部署更大的神经网络。其次它们需要更少的内存带宽，从而加快数据传输操作。第三数学运算在精度降低的情况下运行得更快，尤其是在具有 Tensor Core 的 GPU 上。混合精度训练实现了所有这些好处，同时确保与完全精度训练相比不会丢失特定于任务的准确性。它通过识别需要完全精度的步骤并仅对这些步骤使用 32 位浮点而在其他任何地方使用 16 位浮点来实现这一点。

这里是Nvidia 官方文档，有兴趣的可以看看：

https://docs.nvidia.com/deeplearning/performance/mixed-precision-training/index.html

如果您的 GPU 具有 7.x (Turing) 或更高的架构，才有可能使用混合精确训练。也就是说桌面的RTX 20 系列或高版本，或服务器上的 “T”或“A”系列。

混合精度训练具有如此优势的主要原因是它降低了 RAM 使用率，Tensor Core 的 GPU会加速混精度训练，如果没有的话使用FP16也会节省显存，可以训练更大的批大小，间接提升训练速度。

是否会被弃用

如果你对RAM有特别高的要求，但又没有足够的钱买高端卡，那么你可能会选择二手市场上的老款GPU。这有一个相当大的缺点……这张卡的寿命结束了。

一个典型的例子就是Tesla K80，它有4992个CUDA核心和24GB的RAM。2014年，它零售价约为7000美元。现在的价格从 150到170美元不等!（咸鱼的价格600-700左右）这么小的价格却有这么大的内存，你一定很兴奋。

但是这有一个非常大的问题。K80的计算架构是3.7 (Kepler)，CUDA 11起已经不支持(当前CUDA版本为11.7)。这意味着这张卡已经废了，所以它才卖的这么便宜。

所以在选择2手卡时一定要看清楚是否支持最新版本的驱动和CUDA，这是最重要的。

高端游戏卡 VS 工作站/服务器卡

老黄基本上把卡分成了两部分。消费类显卡和工作站/服务器的显卡(即专业显卡)。

这两个部分之间有明显的区别，对于相同的规格(RAM, CUDA内核，架构)，消费类显卡通常会更便宜。但是专业卡通常会有更好的质量，和较低的能源消耗（其实涡轮的噪音挺大的，放机房还可以，放家里或者试验室有点吵）。

高端(非常昂贵)的专业卡，你可能会注意到它们有很大的RAM(例如RTX A6000有48GB, A100有80GB!)。这是因为它们通常直接针对3D建模、渲染和机器/深度学习专业市场，这些市场需要高水平的RAM。再说一次，如果你有钱，买A100就对了!（H100是A100的新版，目前无法评价）

但是我个人认为，我们还是选择消费者的高端游戏卡，因为如果你不差钱，你也不会看这篇文章，对吧

选择建议

所以在最后我根据预算和需求提出一些建议。我将其分为三个部分:

低预算
中等预算
高预算

高预算不考虑任何超出高端消费显卡。还是那句话如果你有钱：A100，H100随便买。

本文中会包含在二手市场买到的卡片。这主要是因为我认为在低预算的情况下，二手是可以考虑的。这里还包括了专业桌面系列卡(T600、A2000和A4000)，因为它的一些配置比同类消费类显卡稍差，但功耗明显更好。

低预算

中等预算

高预算

在线/云服务

如果你决定花钱买显卡不适合你，你可以利用谷歌Colab，它可以让你免费使用GPU。

但这是有时间限制的，如果你使用GPU太长时间，他们会把你踢出去，然后回到CPU上。如果GPU处于非活动状态太长时间，可能是在你写代码的时候，它也会把GPU拿回来。GPU也是自动分配的，所以你不能选择你想要的确切的GPU（你也可以每月9.9刀弄个Colab Pro，我个人觉得要比低预算好很多，但是要求有梯子，$49.99的Colab Pro+有点贵，不建议）。

在写本文时，通过Colab可以获得以下GPU: