选择GeForce或Quadro GPU,通过TensorFlow进行机器学习

如果使用Quadro GPU与GeForce GPU,TensorFlow性能是否有明显差异？

例如,它是否使用双精度操作或其他会导致GeForce卡掉落的东西？

我即将为TensorFlow购买GPU,并想知道GeForce是否可以.谢谢,感谢您的帮助

1> Patric..：

---

我认为GeForce TITAN很棒,并且广泛用于机器学习(ML).在ML中,在大多数情况下单精度就足够了.

关于GTX系列(目前是GeForce 10)性能的更多细节可以在维基百科中找到.

网络上的其他来源支持这一说法.以下是2013年doc-ok的报价(永久链接).

相比之下,"入门级"700美元的Quadro 4000显着低于530美元的高端GeForce GTX 680,至少根据我使用多个Vrui应用程序的测量值而言,最接近的性能 - 相当于GeForce GTX 680我能找到是Quadro 6000,价格高达3660美元.

具体到ML,包括深度学习,有一个专门讨论这个主题的Kaggle论坛讨论(2014年12月,永久链接),它讨论了Quadro,GeForce和Tesla系列之间的比较:

Quadro GPU不适用于科学计算,特斯拉GPU也是如此.Quadro卡设计用于加速CAD,因此它们无法帮助您训练神经网络.它们可能很适合用于此目的,但这是浪费金钱.

特斯拉卡用于科学计算,但它们往往相当昂贵.好消息是,Tesla卡在GeForce卡上提供的许多功能对于训练神经网络不是必需的.

例如,特斯拉卡通常具有ECC内存,这很好但不是必需的.它们对双精度计算也有更好的支持,但是单精度对于神经网络训练来说是足够的,并且它们的表现与GeForce卡相同.

特斯拉卡的一个有用功能是它们比同类GeForce卡更容易拥有RAM.如果您计划训练更大的模型(或使用基于FFT的卷积等RAM密集型计算),则总是欢迎使用更多RAM.

如果您在Quadro和GeForce之间进行选择,请务必选择GeForce.如果您在特斯拉和GeForce之间选择,请选择GeForce,除非您有很多钱并且可以真正使用额外的RAM.

注意:请注意您正在使用的平台以及默认精度.例如,在CUDA论坛(2016年8月)中,一个开发者拥有两个Titan X(GeForce系列),并且在任何R或Python脚本中都没有看到性能提升.这被诊断为R被默认为双精度,并且在新GPU上的性能比其CPU(Xeon处理器)更差.特斯拉GPU被认为是双精度的最佳性能.在这种情况下,将所有数字转换为float32可将性能从12.437增加到nvBLAS 0.324s,并在一个TITAN X上使用gmatrix + float32s(参见第一个基准).引用此论坛讨论:

Titan X的双精度性能相当低.

---

"Quadro GPU不用于科学计算,特斯拉GPU是"+1

---

但是quadros有24 GB的GPU内存,这对未来的深度学习模型非常有用.为什么没有人提到这个？或者它实际上是如此之慢以至于它根本不值得

---

是的,在快速知道的情况下,quadro并不是那么好,但是深度学习模型的限制因素往往是你可以在显卡内存中填充的数据量.不应该更慢的GPU可以更快地处理更大的训练批次训练吗？