1 决定GPU性能的硬件参数

• GPU架构
  不同款的GPU可能采用不同设计架构，比如GeForce 10系列的GTX 1080/1080Ti采用的是Pascal架构，而GeForce 20系列的RTX 2080/2080Ti采用的是Turing架构。不同架构的GPU，即使其他参数差不多，性能差别可能非常大。

• 显存带宽
  显存代表GPU芯片每秒与显存交换的数据大小，这个值等于 显存位宽*工作频率，单位为GB/秒，该值越大，代表GPU性能越好。Geforce GTX 1080的显存带宽为320GB/秒，而它的升级版Geforce RTX 2080的带宽为448GB/秒。

• 显存位宽
  显存位宽代表GPU芯片每个时钟周期内能从GPU显存中读取的数据大小，这个值越大代表GPU芯片和显存之间数据交换的速度越快，性能越好。Geforce GTX 1080的显存位宽为256bit，Geforce RTX 2080Ti显存位宽为352bit。

• GPU工作效率
  代表GPU每秒钟工作次数，单位为MHz，跟CPU的频率类似。该值越大代表性能越好。

• CUDA核心数量
  CUDA核心数量越大越好，Geforce GTX 1080的CUDA核心数量是2560个。而Geforce RTX 2080Ti的CUDA核心数高达4352个。

• 功耗
  GPU能耗主要关乎你交电费的多少，像Geforce这种消费级的显卡一般功耗非常高，Geforce GTX 1080的最大功耗为175W，Tesla P4的最大功耗为75W。像那种数据中心大规模级别的GPU部署，低功耗的显卡一年电费能省很多。

2 如何选择适合自己的GPU

2.1 考虑显卡的算力

一般来说，进行深度学习要求算力在5.1以上，显卡的算力越高，计算速度越快，神经网络训练的也越快。如何富的流油，尽管作死的往贵的买，一分钱一分货。

Nvidia公司目前在售的一些常用GPU计算能力对比：

2.2 考虑显卡的显存

显卡的显存决定了一次可加载多少batch数据进显卡训练的容量，如果你的数据集输入数据是视频、图片、音频等，那么显存就必须要足够大，8G显存是目前深度学习的常用显存，不过建议最好可使用更大显存的GPU，这样每次训练的batch_size数量增加，就会减少单个epoch的训练时间，充分利用显存。

Nvidia公司目前在售的一些常用GPU显存对比：

2.3 考虑价格

没钱别买GPU，老老实实使用CPU慢慢跑。

有钱尽量买显存大、CUDA数量多的GPU。

我现在只想说一句：赶紧矿难！！！