搞AI，谁又没有“GPU之惑”？

张量核心、显存带宽、16位能力……各种纷深度繁复杂的GPU参数让人眼花缭乱，到底怎么选？

从不到1000元1050 Ti学习到近30000元的Titan V，GPU价格的跨度这么大，该从何价位下手？谁才是GP性价比之王？

让GPU执行不同的任务，最佳选择也随之变化，用于计算机视觉和做NLP就U最不太一样。

而且，用云端TPU、GPU行不行？和本地GPU在处理任务时应该如何分配全对，才能更省钱？

最合适的AI加速装备，究竟什么样？

现在，为了帮你找到最适合的比，装备，华盛顿大学的博士生Tim Dettmers将对比凝练成实用攻略，最新的模型和硬到底件也考虑在内。

到底谁能在众多GPU中脱颖而出？测评后马上揭晓。

文末还附有一份特谁才别精简的GPU选购建议，欢迎对号入座。

最重要的参数

针对不同深度学习架构，GPU是性参数的选择优先级是不一样的，总体来说分两条路线：

卷积网络和Transforme价比r：张量核心>FLOPs（每秒浮点运算次数）>显存带宽>16位浮之王点计算能力

循环神经网络：显存带宽>16位浮点计算能力>张量核深度心>FLOPs

这个排序背后有一套逻辑，下面将详细解释一下。

在说清楚哪学习个GPU参数对速度尤为重要之前，先看看两个最重要的张量运算：矩阵乘法和卷GP积。

举个栗子