尋找用於深度學習的 GPU，深度學習。深度學習是一個運算要求很高的領域，您對 GPU 的選擇將從根本上決定您的深度學習體驗。如果沒有 GPU，這可能需要等待數月才能完成實驗，或者運行一天或更長時間的實驗才發現您選擇的參數已關閉並且模型出現了偏差。
借助良好、穩定的 GPU，您可以快速迭代深度網路設計和參數，並在幾天（而不是幾個月）、幾小時（而不是幾天）、幾分鐘（而不是幾小時）內運行實驗。因此，在購買 GPU 時做出正確的決定至關重要。那麼如何選擇適合自己的 GPU 呢？
當您開始學習深度學習時，擁有快速的 GPU 是一個非常重要的方面，因為它可以讓您快速獲得實務經驗，這對於培養您將深度學習應用於新問題的專業知識至關重要。如果沒有這種快速回饋，就需要很長時間才能從錯誤中學習，並且繼續深度學習可能會令人沮喪和沮喪。
擁有多個 GPU 值得嗎？
擁有多個 GPU 值得嗎？跨多個 GPU高效地並行化 愛沙尼亞 whatsapp 負責人 神經網路非常困難，對於密集神經網路來說，加速效果也很一般。小型神經網路可以使用資料並行性非常有效地並行化，但較大的神經網路幾乎沒有加速。
全連接網路通常在資料並行性方面表現不佳，需要更先進的演算法來加速網路的這些部分。
因此，如今，由於速度的提高，使用多個 GPU 可以使訓練變得更加方便，如果你有錢，多個 GPU 就很有意義。
考慮矩陣乘法的一個簡單而有效的方法是它受頻寬限制。如果您想使用 LSTM 和其他進行大量矩陣乘法的循環網絡，記憶體頻寬是 GPU 最重要的特性。
同樣，卷積也受到計算速度的限制。因此，GPU 上的 TFLOP 是 ResNet 和其他卷積架構效能的最佳指標。
因此，一般來說，最好的經驗法則是：如果使用 RNN，請注意頻寬；如果使用卷積，請查看 FLOPS；如果你能負擔得起，就購買 Tensor Core（除非迫不得已，否則不要購買 Tesla 卡）。