最全深度学习显卡推荐分析

大热的深度学习，买什么显卡，才能让你明白，我真的爱你！

前言

不得不说，这几年深度学习（Deep Learning），人工智能（AI），机器学习（Machine Learning, ML），真的很火呀！工资高，工作好找，风投多，风光无限。大家都知道，要想学好深度学习，GPU是必不可少的，那么需要什么级别的显卡GPU呢？本文这里分情况说明。另外，本文不涉及具体的安装环境配置。

本文可能是目前为止最全深度学习显卡推荐分析方面的分析文章。

正文

其实，学习深度学习需要的硬件，可能没有想象的那么高，只是需要提前把握一下方向。本文从几方面来说明。

如果已经有电脑了，但是不知道可不可以学习深度学习，或者想升级硬件学习深度学习。另外，就是还没有电脑，想买适合深度学习的电脑。下面分别说明。再说一遍，本文不涉及具体的安装环境配置。

如何确认现有硬件是否可以学习深度学习？

如果你已经有了电脑，并且想学习深度学习，那么，必须假设你已经知道，什么是显卡，你的显卡是什么型号，属于NVIDIA阵营，还是AMD阵营（如果这个还不明白，希望你自己弄明白）。

1.没有独立显卡

没有搞笑，没有显卡，纯CPU也是可以进行深度学习训练的。如果你只是想熟悉一下深度学习的基本框架，代码阅读分析，很少量的训练，纯CPU也是可以的。Tensorflow和PyTorch都有纯CPU的版本，而作为入门学习来说，这两个深度学习框架，就足够了。纯CPU的安装配置更简单，只是训练速度会慢很多。

你又说，我没有独立显卡，又想使用GPU训练学习，怎么办？哈，考到我了，不过呢，还真有办法，那就是google colab，https://colab.research.google.com/。当然了，国内对这个网址不友好，你可能要自己想办法怎么访问。这里有免费的强大的GPU，一般是Tesla K80，也有TPU。内存一般是32G，硬盘不一定，有时候100G，有时候300G，重启或者短线重连后，你可能分配到不同的机器上，你的原有文件或者设置都会消失。每隔12小时会自动短线，因为网速及链接断开问题，如果想好好利用google colab，你可以把一些数据文件，脚本文件，放到你的google drive上，做好脚本，重新链接google colab后，可以用脚本迅速还原工作环境。

google colab默认支持tensorflow，也支持PyTorch（需自己安装），只要解决了访问google colab的问题，剩下的，都不是问题。

如果你想升级电脑硬件，来满足深度学习的硬件要求，就看看后面，新配电脑，关键配件如何选择？

2.已有独立AMD显卡

如果你的电脑是AMD的显卡，想学习深度学习，能用GPU来加速吗？

目前，AMD推出了ROCm开放软件平台，也可以用AMD的GPU进行深度学习训练加速，Tensorflow，PyTorch都可以很好的支持。只是需要Linux平台（如Ubuntu 20.04LTS），Windows平台还不支持。其实，大多数的深度学习从业人员，也都是使用Linux平台。AMD 可以用于深度学习的GPU有R9 290X，R9 390X，RX 470，RX 480，RX550， RX560，RX 570，RX 580，R9 Fury X，RX Vega 64，Radeon VII，注意，最新的RX 5500XT， RX 5600XT，RX 5700XT不支持ROCm。具体参见https://github.com/RadeonOpenCompute/ROCm#supported-gpus。

AMD的GPU运算性能强大，经常可以越级打怪，比如RadeonVII的性能有时候可以超越2080Ti，RX 580对1070也是不遑多让。如果有以上的AMD显卡，学习深度学习也毫无问题，尤其是Tensorflow，PyTorch这两个利器都已经得到官方正式支持，放心大胆的玩起来吧。

3.已有独立NVIDIA显卡

已有NVDIA显卡，想学习深度学习，能用GPU来加速吗？这个，几乎可以肯定的说，当然没问题了，除非你的显卡太老了。。。，老到可能你没有听说（对于现在想学习深度学习的朋友来说）。

具体来说，NVIDIA的部分GT640，GT730等8年前的显卡都可以支持深度学习的GPU要求，基本来说，如果你是这两年买的电脑，又有NVIDIA显卡，基本都可以进行深度学习的模型训练。tensorflow的GPU要求是计算能力（Compute Capability）为3.5或更高（可以通过这里查看https://www.tensorflow.org/install/gpu），而NVIDIA的GPU计算能力可以通过查看https://developer.nvidia.com/cuda-gpus来了解大体的计算能力，如下图：

而本机的NVIDIA显卡计算能力可以通过命令C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\demo_suite\deviceQuery.exe来确认，具体的数值可能和列表给出的数值有差别(主要是不同的CUDA版本）。这里，CUDA10.1版本下，1060 6GB的计算能力为6.1。

好了，你又说了，我有一个NVIDIA的老显卡，计算能力只有3.0，我不想纯CPU训练，也想GPU加速，却不想升级显卡，怎么用它来对tensorflow进行GPU加速？好吧，我只能说，路是有的，只是要难一点。

办法就是自己编译tensoflow，获取tensoflow的源代码后，设置编译参数，比如CUDA版本，比如计算能力。设置编译能力为3，然后编译tensorflow就可以了。这样，就可以用计算能力为3的NVIDIA显卡进行GPU加速tensorflow了。

如果你想升级显卡，请看新配电脑，关键配件如何选择？这一部分。

新配电脑，关键配件如何选择？

到现在，我们说的都是已有电脑的情况，现在来说，新配电脑的话，如果选择关键配件。

对于深度学习来说，关键配件是GPU，CPU，主板，硬盘和内存。这里不研究极限性能，省心，够用即可。

我们先说简单的部分，CPU，硬盘和内存。

CPU，对深度学习来说，CPU的作用没有那么大，所以，基本上，CPU随便选就够用了。现在的低端CPU也有4核8线程。如果需要多显卡并行这样的高端电脑，上高端的CPU也无悬念。AMD或者Intel的CPU均可。基本上一个GPU配置4个线程就差不多，也就是说，4核8线程的CPU，配置双显卡，问题都不大。所以，CPU方面不需要太担心。简单来说，多花1000在CPU上，不如多花1000在显卡上。2000的CPU和1000的CPU没区别，2000的显卡和1000的显卡，差别大了去。。。

主板，就一个要求，尽量可以扩展，比如2条全速显卡通道就比一条好，4条更好，方便以后扩展显卡。内存插槽尽量4条。

内存，这个目前来说，问题也不大，基本进行深度学习的话，16G的内存少不了（原则上，内存大于GPU的显存大小即可），总容量来说，可以简单认为是GPU显存数量加8G（假设系统其余程序使用8G）。比如GPU系统共24G显存，那么，配置32G总内存就可以了。内存频率来说，AMD的CPU配置3200Mhz以上双通道内存，Intel的CPU2933以上双通道内存，就差不多了。

硬盘，由于要频繁的数据读写，硬盘越快越好。PCIe的SSD硬盘是必不可少的。可以买普通的SATA SSD或者HDD备份数据，计算用的，建议上比较快的PCIe SSD.

GPU，选择NVIDIA是毫无悬念的，除非你说，你只有2000元可用，这时候，用一下AMD的矿卡RX 580 8GB加普通的SATA SSD将就下，也毫无问题。这里着重说NVIDIA GPU。

先看看可以用来进行深度学习训练的N卡，

GTX 1050 Ti 4GB, GTX 1060 6GB, 1070/1080/1080 Ti, GTX1660/1660 Ti/1660 Super, GTX 2060/2060 Super, GTX 2070/2070 Super, GTX 2080/2080 Super/2080 Ti, RTX Titan/Titan V，Quadro RTX 6000(24GB), Quadro RTX 8000(48GB)

个人用户，基本上可以买的就是这些。先说基本结论：

预算不足，浅尝辄止，这种级别，1050 Ti就可以了。或者纯CPU，google colab。

深入学习，预算不足，选择1060 6GB/1070/2060 Super，都是性价比很高的卡，值得那你拥有，比1050 Ti好太多。

已经入行，预算一般，已经进行一些项目，可以2070。

预算充足，项目多多，2080Ti，多2080 Ti并行, QUADRO RTX 8000。

在我的推荐里，你没有看到1660, Titan这两个系列，深度学习用这两个系列的卡，有点不划算。比较推荐2070这款卡，性能，价格很均衡，一般应用都能满足（如果单卡，并且主要深度学习，可考虑从CPU上省点钱下来）。1060/2060预算不足的时候，也很推荐。2080 Ti属于性能之选，有预算一定上，还多就上两块，另外，由于QUADRO RTX 8000显存大，可以用于一些特殊环境，但是一般来说，还是建议2080 Ti。

总结

简单总结下，就是如果没有独立显卡，或者NVIDIA的中高端显卡，想暂时凑合学，可以纯CPU，或者google colab，也可以用AMD的显卡玩转深度学习，AMD的显卡有时候甚至性能更好。但是如果想换显卡，或者新购电脑用于深度学习，首选2070，性价比之选1060 6GB/1070/2060 Super，预算实在不足，可以考虑1050 Ti，而且，预算不足的话，可以考虑使用低一点的CPU来省钱。性能之选是2080 Ti。另外内存要大于总显存容量，硬盘最好选PCIe SSD，主板显卡插槽要多，方便扩展。

附录

各显卡基本的性能对比：

转到性价比视图，看看哪一个卡最划算：

关于Lambda labs的性能测试：

显卡参数基本规格表，作为参考：

RTX3090, RTX3080 TensorFlow 性能

RTX3090在Linux上的TensorFlow，NAMD和HPCG性能初测

RTX3080 在Linux上的TensorFlow和NAMD性能

本文地址