1樓：Artorias
別問，問就Tesla v100(馬上應該是Tesla A100了)(#滑稽)。如果考慮這三張卡的話建議優先考慮cuda核心數量和核心頻率，然後是視訊記憶體大小。因為這種水平的卡基本只能算著玩玩，所以現存頻寬已經不重要了，視訊記憶體頻率更加沒卵用。
cuda核心數量和頻率基本決定了卡的計算能力，視訊記憶體大小決定了你的神經網路的規模，鑑於這個水平的卡算力較弱，視訊記憶體就算給的很大你也沒有足夠的時間等網路算完，所以盡量在性能夠好的前提下選擇更大的視訊記憶體。視訊記憶體頻寬是由視訊記憶體頻率和視訊記憶體位寬決定的，一般的卡瓶頸還是在核心計算能力，所以不用太考慮視訊記憶體頻寬。
2樓：小笨瓜
cuda數量與頻率決定了速度視訊記憶體決定了你能跑多大batch size
老黃這邊顯然覺得視訊記憶體重要計算卡相比遊戲卡cuda效能沒啥提公升就視訊記憶體大點卻貴了好多
3樓：
取決於你的任務
Tim Dettmers大神已經總結了經驗法則：如果用RNN，請看頻寬；如果用卷積，請看FLOPS；如果有錢，上Tensor Cores（除非你必須購買Tesla）
視訊記憶體越大越好，而用混合精度訓練可以幫你節約視訊記憶體，同時Tensor Cores可以進一步對半精度運算提速30%~100%
4樓：臨界Z零點
速度取決於cuda數量和頻率，視訊記憶體頻寬。
計算達到的規模和視訊記憶體關係很大。
深度學習用途，如果要上「範兒」「正規」「專業」請使用18/19年推出的TESLA系列相關型號計算卡。相較於quadto系列更實惠一些。
而要實惠的話，P104礦卡當之無愧，可以刷bios恢復真身8G視訊記憶體。不過完全沒質保。
CUDA運算速度和顯示卡CUDA核心數量關係大嗎？
高通 同樣架構下，運算速度和核心數量等比例遞增，Cuda核心裡面有運算器，例如乙個Float32浮點運算器，1000個核心，1G主頻，則FP32的算力為1T Flops，就是這麼簡單。新的架構下 1 Float的運算器可能是 64位的，可以實現雙精度計算，在單精度上翻倍 2 新的Tensor Cor...
深度學習多卡視訊記憶體疊加嗎？
xiedidan 可以的，前面那位估計沒做過多卡訓練，現在框架都提供了多卡多機並行機制，比如pytorch的data parallel 多卡當然可以batch與卡成正比關係，要注意batch越大學習率要相應增大，不然會過擬合 當然不行，因為一張卡一次處理乙個batch，batch size是64的時...
深度學習為什麼對顯示卡要求高？
麗台科技 深度學習是乙個計算需求非常強烈的領域，GPU執行的是平行計算，擁有更多的運算單元和浮點計算能力，另外，GPU顯示卡往往擁有更大頻寬的視訊記憶體，在大吞吐量的應用中也會有很好的效能。這就意味著GPU更擅長深度學習，深度學習由多層的神經網路組成，這些神經網路包含很多權重和偏置，也就是許多巨大的...