深度学习GPU选购指南

MLNLP社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。

社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。

转载自 | 极市平台

作者丨Mike Clayton

来源丨DeepHub IMBA

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:

在前面也提到了，K80有24GB的RAM和4992个CUDA核心，它基本上是两个K40卡连在一起。这意味着当你在Colab中使用K80时，你实际上可以访问一半的卡，所以也就是只有12GB和2496个CUDA内核。

『总结』

最后现在4090还是处于耍猴的状态，基本上要抢购或者加价找黄牛但是16384 CUDA + 24GB，对比3090 的10496 CUDA ，真的很香。

而4080 16G的9728CUDA 如果价格能到7000内，应该是一个性价比很高的选择。12G的 4080就别考虑了，它配不上这个名字。

对于AMD的 7900XTX 应该也是一个很好的选择，但是兼容性是个大问题，如果有人测试的话可以留言。

40系列老黄一直在耍猴，所以如果不着急的话还再等等把：你不买，我不买，明天还能降两百

技术交流群邀请函

    
△长按添加小助手

扫描二维码添加小助手微信

请备注：姓名-学校/公司-研究方向（如：小张-哈工大-对话系统）即可申请加入自然语言处理/Pytorch等技术交流群

关于我们

MLNLP 社区是由国内外机器学习与自然语言处理学者联合构建的民间学术社区，目前已经发展为国内外知名的机器学习与自然语言处理社区，旨在促进机器学习，自然语言处理学术界、产业界和广大爱好者之间的进步。

社区可以为相关从业者的深造、就业及研究等方面提供开放交流平台。欢迎大家关注和加入我们。

深度学习GPU选购指南

(adsbygoogle = window.adsbygoogle || []).push({}); 关于我们

关于我们