什么GPU最好？

Question

如题所述

Answer 1

根据全面定性定量的实验结果，截至2018年10月8日，NVIDIA RTX 2080 Ti是现在最好的深度学习GPU（用单个GPU运行Tensoflow）。以单GPU系统的性能为例，对比其他GPU，它的优劣分别是：
FP32时，速度比1080 Ti快38%；FP16时，快62％。在价格上，2080 Ti比1080 Ti贵25%
FP32时，速度比2080快35%；FP16时，快47％。在价格上，2080 Ti比2080贵25%
FP32时，速度是Titan V的96%；FP16时，快3％。在价格上，2080 Ti是Titan V的1/2
FP32时，速度是Tesla V100的80%；FP16时，是Tesla V100的82%。在价格上，2080 Ti是Tesla V100的1/5
请注意，所有实验都使用Tensor Core（可用时），并且完全按照单个GPU系统成本计算。
深入分析
实验中，所有GPU的性能都是通过在合成数据上训练常规模型，测量FP32和FP16时的吞吐量（每秒处理的训练样本数）来进行评估的。为了标准化数据，同时体现其他GPU相对于1080 Ti的提升情况，实验以1080 Ti的吞吐量为基数，将其他GPU吞吐量除以基数计算加速比，这个数据是衡量两个系统间相对性能的指标。

训练不同模型时，各型号GPU的吞吐量
对上图数据计算平均值，同时按不同浮点计算能力进行分类，我们可以得到：

FP16时各GPU相对1080 Ti的加速比

FP32时各GPU相对1080 Ti的加速比
可以发现，2080的模型训练用时和1080 Ti基本持平，但2080 Ti有显著提升。而Titan V和Tesla V100由于是专为深度学习设计的GPU，它们的性能自然会比桌面级产品高出不少。最后，我们再将每个GPU的平均加速情况除以各自总成本：

FP16时各GPU相对1080 Ti的每美元加速情况

FP32时各GPU相对1080 Ti的每美元加速情况
根据这个评估指标，RTX 2080 Ti是所有GPU中最物有所值的。
2080 Ti vs V100：2080 Ti真的那么快吗？
可能有人会有疑问，为什么2080 Ti的速度能达到Tesla V100的80%，但它的价格只是后者的八分之一？答案很简单，NVIDIA希望细分市场，以便那些有足够财力的机构/个人继续购买Tesla V100（约9800美元），而普通用户则可以选择在自己价格接受范围内的RTX和GTX系列显卡——它们的性价比更高。
除了AWS、Azure和Google Cloud这样的云服务商，个人和机构可能还是买2080 Ti更划算。但这不是说亚马逊、微软、Google这些公司“人傻钱多”，Tesla V100确实有一些其他GPU所没有的重要功能：
如果你需要FP64计算。如果你的研究领域是计算流体力学、N体模拟或其他需要高数值精度（FP64）的工作，那么你就得购买Titan V或V100s。
如果你对32 GB的内存有极大需求（比如11G的内存都不够存储模型的1个batch）。这类情况很少见，它面向的是想创建自己的模型体系架构的用户。而大多数人使用的都是像ResNet、VGG、Inception、SSD或Yolo这样的东西，这些人的占比可能不到5%。
面对2080 Ti，为什么还会有人买Tesla V100？这就是NVIDIA做生意的高明之处。
2080 Ti是保时捷911，V100是布加迪威龙
V100有点像布加迪威龙，它是世界上最快的、能在公路上合法行驶的车，同时价格也贵得离谱。如果你不得不担心它的保险和维修费，那你肯定买不起这车。另一方面，RTX 2080 Ti就像一辆保时捷911，它速度非常快，操控性好，价格昂贵，但在炫耀性上就远不如前者。
毕竟如果你有买布加迪威龙的钱，你可以买一辆保时捷，外加一幢房子、一辆宝马7系、送三个孩子上大学和一笔客观的退休金。
原始性能数据
FP32吞吐量
FP32（单精度）算法是训练CNN时最常用的精度。以下是实验中的具体吞吐量数据：

FP16吞吐量（Sako）
FP16（半精度）算法足以训练许多网络，这里实验用了Yusaku Sako基准脚本：

FP32（Sako）

FP16时训练加速比（以1080 Ti为基准）

FP32时训练加速比（以1080 Ti为基准）

价格表现数据（加速/$1,000）FP32

价格表现数据（加速/$1,000）FP16

实验方法
所有模型都在合成数据集上进行训练，这能将GPU性能与CPU预处理性能有效隔离开来。
对于每个GPU，对每个模型进行10次训练实验。测量每秒处理的图像数量，然后在10次实验中取平均值。
计算加速基准的方法是获取的图像/秒吞吐量除以该特定模型的最小图像/秒吞吐量。这基本上显示了相对于基线的百分比改善（在本实验中基准为1080 Ti）。
2080 Ti、2080、Titan V和V100基准测试中考虑到了Tensor Core。
实验中使用的batch size

此外，实验还有关于硬件、软件和“什么是典型的单GPU系统”的具体设置，力求尽量还原普通用户的模型训练环境，充分保障了结果的准确性。

Answer 2

RTX 2080 Ti

RTX 2080

GTX 1080 Ti

Titan V

Tesla V100

为了从中挑选出最佳GPU，我们会从定价、性能两个维度对它们进行分析。

实验结果

根据全面定性定量的实验结果，截至2018年10月8日，NVIDIA RTX 2080 Ti是现在最好的深度学习GPU（用单个GPU运行Tensoflow）。以单GPU系统的性能为例，对比其他GPU，它的优劣分别是：

FP32时，速度比1080 Ti快38%；FP16时，快62％。在价格上，2080 Ti比1080 Ti贵25%

FP32时，速度比2080快35%；FP16时，快47％。在价格上，2080 Ti比2080贵25%

FP32时，速度是Titan V的96%；FP16时，快3％。在价格上，2080 Ti是Titan V的1/2

FP32时，速度是Tesla V100的80%；FP16时，是Tesla V100的82%。在价格上，2080 Ti是Tesla V100的1/5

请注意，所有实验都使用Tensor Core（可用时），并且完全按照单个GPU系统成本计算。

深入分析

实验中，所有GPU的性能都是通过在合成数据上训练常规模型，测量FP32和FP16时的吞吐量（每秒处理的训练样本数）来进行评估的。为了标准化数据，同时体现其他GPU相对于1080 Ti的提升情况，实验以1080 Ti的吞吐量为基数，将其他GPU吞吐量除以基数计算加速比，这个数据是衡量两个系统间相对性能的指标。

训练不同模型时，各型号GPU的吞吐量

对上图数据计算平均值，同时按不同浮点计算能力进行分类，我们可以得到：

FP16时各GPU相对1080 Ti的加速比

FP32时各GPU相对1080 Ti的加速比

可以发现，2080的模型训练用时和1080 Ti基本持平，但2080 Ti有显著提升。而Titan V和Tesla V100由于是专为深度学习设计的GPU，它们的性能自然会比桌面级产品高出不少。最后，我们再将每个GPU的平均加速情况除以各自总成本：

FP16时各GPU相对1080 Ti的每美元加速情况

FP32时各GPU相对1080 Ti的每美元加速情况

根据这个评估指标，RTX 2080 Ti是所有GPU中最物有所值的。本回答被网友采纳

Answer 3

给大家带来了另一篇更具说服力的文章，它来自人工智能硬件公司Lambda，主要对比分析了RTX 2080 Ti、RTX 2080、GTX 1080 Ti、Titan V和Tesla V100的成本、价格差异。

在深度学习实践中，很多人会经常问一个问题：什么是最好的深度学习GPU？在这篇文章中，我们将主要分析以下几款目前最优秀的GPU：

RTX 2080 Ti

RTX 2080

GTX 1080 Ti

Titan V

Tesla V100

为了从中挑选出最佳GPU，我们会从定价、性能两个维度对它们进行分析。

实验结果

根据全面定性定量的实验结果，截至2018年10月8日，NVIDIA RTX 2080 Ti是现在最好的深度学习GPU（用单个GPU运行Tensoflow）。以单GPU系统的性能为例，对比其他GPU，它的优劣分别是：

FP32时，速度比1080 Ti快38%；FP16时，快62％。在价格上，2080 Ti比1080 Ti贵25%

FP32时，速度比2080快35%；FP16时，快47％。在价格上，2080 Ti比2080贵25%

FP32时，速度是Titan V的96%；FP16时，快3％。在价格上，2080 Ti是Titan V的1/2

FP32时，速度是Tesla V100的80%；FP16时，是Tesla V100的82%。在价格上，2080 Ti是Tesla V100的1/5

请注意，所有实验都使用Tensor Core（可用时），并且完全按照单个GPU系统成本计算。

深入分析

实验中，所有GPU的性能都是通过在合成数据上训练常规模型，测量FP32和FP16时的吞吐量（每秒处理的训练样本数）来进行评估的。为了标准化数据，同时体现其他GPU相对于1080 Ti的提升情况，实验以1080 Ti的吞吐量为基数，将其他GPU吞吐量除以基数计算加速比，这个数据是衡量两个系统间相对性能的指标。
训练不同模型时，各型号GPU的吞吐量

对上图数据计算平均值，同时按不同浮点计算能力进行分类，我们可以得到：
FP16时各GPU相对1080 Ti的加速比

FP32时各GPU相对1080 Ti的加速比

可以发现，2080的模型训练用时和1080 Ti基本持平，但2080 Ti有显著提升。

Answer 4

最佳预算CPU

AMD Ryzen 3 2200G


首先，我们拥有最好的预算CPU，而之前我们使用的是英特尔奔腾G4600，这在当时几乎是不可能的。这一次，虽然Gold G5400并没有真正提供任何新功能，但时钟频率增加200 MHz并不会让它在今天过于频繁。

Ryzen 3 2200G虽然有点贵（但仍不到800），但它为世界带来更多价值。除了成为真正的四核之外，集成的Vega 8 GPU对于那些不再购买独立显卡的人来说，功能强大得多。

2200G的真正竞争来自Core i3-8100，它的价格相差100多块钱，但是如果没有独立显卡，它又会被吸引。然后使用GTX 1060或RX 580，它们都可以提供类似的游戏体验。对于生产率工作负载和一般使用情况，它们是均匀匹配的，但一旦超频，2200G一般会出现在顶端。

Ryzen 3 2200G是一款可以在经济实惠的主板上超频的解锁部件，可以利用更高时钟频率的内存，包含强大的集成GPU，并且比Core i3-8100稍微便宜，因此成为我们的第一款预算CPU挑选。

最好的全面价值CPU

AMD Ryzen 5 2600X


如果你花费大约2000购买新的CPU，并且你需要能够以最大效率处理任何和所有任务的东西，那么Ryzen 5 2600或2600X是必须的。

值得注意的是，英特尔的酷睿i5-8400是一款颇具吸引力的替代产品，价格也便宜一些，可以说在今日的游戏中提供了更好的游戏性能。但是，尽管R5 2600可能不太适合游戏，但在生产力工作负载方面，它却处于不同的联盟中。

可以肯定地说，卓越的多线程性能抵消了较弱的游戏性能。当然，当谈到游戏的时候，我总结道，因为在某些游戏中，第二代Ryzen CPU速度更快。

2600和2600X也可以解锁CPU，并可以在廉价的B350主板上超频。正如我们之前讨论过的，我们也喜欢AMD承诺至少在2020年前支持AM4平台，这是明智的投资。

Answer 5

选购CPU:
核数选择
如果玩游戏的话，个人认为四核也是必要的。因为按照60%并行计算的话，双核加速比例约1.6倍，而四核至少能有2.2倍（永远不可能达到4倍除非你的游戏不需要显卡而且只是和国际象棋一样） 这样算下来只要是支持四核的游戏，四核还是比双核有优势的。

防假指南
看编号

这个方法对Intel和AMD的处理器同样有效，每一颗正品盒装处理器都有一个唯一的编号，在产品的包装盒上的条形码和处理器表面都会标明这个编号，这个编号相当于手机的IMEI码，如果你购买了处理器后发现这两个编号是不一样的，那就可以肯定你买的这个产品是被不法商人掉包过的了。

看包装

不法商人利用包装偷龙转凤是比较常用的手法，主要是出现在Intel的CPU上，Intel盒装处理器与散包处理器的区别就在于三年质保，价格方面相差几十到上百元不等。当然，AMD盒装也是假货充斥，尤其以闪龙2500+与E6 3000+为多。由于不法商人的工艺制作水平有限，虽然假包装已经成为一个小规模的产业，但在包装盒的印刷制作上还是不可能达到正品包装盒的标准，因此，我们可以从包装盒的印刷等方面入手，识别真假。

以AMD的包装盒为例，没有拆封过的包装盒贴有一张标贴，如果没有这张标贴，那肯定是假货。而这张标贴也是鉴别包装盒真伪的一个切入点。从图中可以看到，正品的标贴通过机器刻上了“十”字形的割痕，在撕开后这张标贴就会损坏而作废。而假的包装盒上面也有这张标贴，也同样有这个“十”字形的割痕，不过请注意，正品的“十”字形割痕中间并没有连在一起，而且割痕的长短深度都非常均匀，而假货的标贴往往是制假者自己用刀片割上去的，如果消费者发现这个“十”字形的割痕长短不一，而且中间连在一起，那就可以肯定这是被人动过手脚的了。

另外，由于这个方法的鉴别非常简单，一些不法商人就通过在包装盒上贴上新的编号鱼目

CPU

混珠。鉴别真假的编号也要从印刷上来分辨。正规产品的编号条形码采用的是点阵喷码，字迹清晰，而且能够清楚的看到数字是由一个个“点”组成。而假冒的条形码是用普遍印刷的，字迹较模糊且有粘连感，另外所采用的字体也不尽相同。如果发现这个条形码的印刷太差，字迹模糊，最好就不要购买了。