1樓：匿名使用者
說的太武斷了，挖礦是不是用gpu進行計算？礦卡首選不是amd嗎？
為什麼做gpu計算，深度學習用amd顯示卡的很少，基
2樓：匿名使用者
因為這方面的技術是nv首先提出並且實現，而且作為產品的一個主推方向堅持連續優化的，最新的titan xp的架構甚至有優先考慮計算而後考慮遊戲的「美名」。反過來看amd，雖然也在gpu計算上有所建立，但畢竟它自家還同時生產cpu，這種縱容左手打右手的行為還是要收斂很多的。所以它在這方面遠遠落後於nv，是一種必然。
3樓：_常往光明中
因為a卡確實不如同價位的n卡
4樓：超級春哥哥的
可以啊，plaidml+keras
深度學習用cpu訓練和用gpu訓練有什麼區別？
5樓：課文你來說
（1）cpu主要用於序列運算；而gpu則是大規模並行運算。由於深度學習中樣本量巨大，引數量也很大，所以gpu的作用就是加速網路運算。
（2）cpu算神經網路也是可以的，算出來的神經網路放到實際應用中效果也很好，只不過速度會很慢罷了。而目前gpu運算主要集中在矩陣乘法和卷積上，其他的邏輯運算速度並沒有cpu快。
2、深度學習
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。
深度學習是機器學習中一種基於對資料進行表徵學習的方法。觀測值（例如一幅影象）可以使用多種方式來表示，如每個畫素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。
使用神經網路訓練，一個最大的問題就是訓練速度的問題，特別是對於深度學習而言，過多的引數會消耗很多的時間，在神經網路訓練過程中，運算最多的是關於矩陣的運算，這個時候就正好用到了gpu，gpu本來是用來處理圖形的，但是因為其處理矩陣計算的高效性就運用到了深度學習之中。
6樓：匿名使用者
gpu的競爭遠比cpu的競爭來得激烈。通用pc的cpu就只有英特爾和amd兩家大廠。cpu廠商沒有采用gpu的先進工藝是因為cpu廠商都有自己投資的生產線，不可能一下把原來的生產線都淘汰了上新的生產線，那樣做可能連當初投入的資金都難以收回。
而gpu廠商由於種種原因，一般都是自己設計由別人代工的，比如找臺積電代工。代工廠商為了能接到業務，只有不停升級自己的生產裝置，這樣才能生存下來。
cpu除了處理遊戲的ai，情節等方面的資料外，對於有些影象方面也是由它完成的。當微軟每次釋出新的dx時，並不是每款gpu都能支援dx新的特性，所以有些影象方面的任務還得由cpu來完成。還有有些特性比如重力特性以前是由cpu來完成，現在有些gpu也能支援了，這些任務就由gpu來完成了。
gpu相當於專用於影象處理的cpu，正因為它專，所以它強，在處理影象時它的工作效率遠高於cpu，但是cpu是通用的資料處理器，在處理數值計算時是它的強項，它能完成的任務是gpu無法代替的，所以不能用gpu來代替cpu。
微軟釋出windows7 其中一個顯著特性就是 聯合gpu和cpu的強大實力，提升gpu在硬體使用的價值，在windows7中，cpu與gpu組成了協同處理環境。cpu運算非常複雜的序列**，而gpu則執行大規模並行應用程式。微軟利用directx ***pute將gpu作為作業系統的核心組成部分之一。
directx ***pute。它讓開發人員能夠利用 gpu的大規模平行計算能力，創造出引人入勝的消費級和專業級計算應用程式。
gpu介紹：
gpu概念：gpu英文全稱graphic processing unit，中文翻譯為「圖形處理器」。gpu是相對於cpu的一個概念，由於在現代的計算機中（特別是家用系統，遊戲的發燒友）圖形的處理變得越來越重要，需要一個專門的圖形的核心處理器。
gpu的作用：gpu是顯示卡的「大腦」，它決定了該顯示卡的檔次和大部分效能，同時也是2d顯示卡和3d顯示卡的區別依據。2d顯示晶片在處理3d影象和特效時主要依賴cpu的處理能力，稱為「軟加速」。
3d顯示晶片是將三維影象和特效處理功能集中在顯示晶片內，也即所謂的「硬體加速」功能。顯示晶片通常是顯示卡上最大的晶片（也是引腳最多的）。現在市場上的顯示卡大多采用nvidia和ati兩家公司的圖形處理晶片。
為什麼做gpu計算，深度學習用amd顯示卡的很少，基本都nvidia
7樓：我拿流浪打
因為在深度學習領域,cuda比opencl更好用，比如google也是選擇用cuda
而cuda只支援n卡。
以前amd本身對加速卡領域涉
內及沒有容n卡深，近幾年看到這邊潛力非常巨大，最近才大力打造amd radeon instinct系列加速卡。
為什麼做gpu計算，深度學習用amd顯示卡的很少，基本都nvidia
8樓：匿名使用者
什麼尼瑪功耗，還穩定性，懂都不懂就來亂說，殺幣一樣。
為什麼機器學習基本都用n卡，因為主流機器學習框架都是基於n卡cuda的，對a卡基本不支援。今年google才推出適用於 rocm gpu的tensorflow，也是今年英偉達才開源cuda
雖然有opencl可以用，但是opencl這玩意，現在基本上是處於還沒大規模投入使用就面臨淘汰的狀態了，哦，蘋果馬上就要淘汰opencl了，它的親兒子
所以要想在a卡上跑深度學習，估計還要等個1、2年，不會永遠都是n卡一家獨大的
9樓：我拿流浪打
因為在深度學習領域,cuda比opencl更好用，比如google也是選擇用cuda
而cuda只支援n卡。
以前amd本身對加速卡領域涉及沒有n卡深，近幾年看到這邊潛力非常巨大，最近才大力打造amd radeon instinct系列加速卡。
10樓：匿名使用者
nvidia顯示卡優化做工功耗穩定性都要比amd好，**上nvidia比amd高些。
為什麼要用gpu來進行深度學習運算
11樓：加百列在微笑
gpu的計算單元比較多，所以計算能力比起cpu強大很多
深度學習用cpu訓練和用gpu訓練有什麼區別
12樓：課文你來說
（1）cpu主要用於序列運算；而gpu則是大規模並行運算。由於深度學習中樣本量巨大，引數量也很大，所以gpu的作用就是加速網路運算。
（2）cpu算神經網路也是可以的，算出來的神經網路放到實際應用中效果也很好，只不過速度會很慢罷了。而目前gpu運算主要集中在矩陣乘法和卷積上，其他的邏輯運算速度並沒有cpu快。
2、深度學習
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。
深度學習是機器學習中一種基於對資料進行表徵學習的方法。觀測值（例如一幅影象）可以使用多種方式來表示，如每個畫素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。
使用神經網路訓練，一個最大的問題就是訓練速度的問題，特別是對於深度學習而言，過多的引數會消耗很多的時間，在神經網路訓練過程中，運算最多的是關於矩陣的運算，這個時候就正好用到了gpu，gpu本來是用來處理圖形的，但是因為其處理矩陣計算的高效性就運用到了深度學習之中。
13樓：匿名使用者
gpu概念
gpu英文全稱graphic processing unit，中文翻譯為「圖形處理器」。gpu是相對於cpu的一個概念，由於在現代的計算機中（特別是家用系統，遊戲的發燒友）圖形的處理變得越來越重要，需要一個專門的圖形的核心處理器。
gpu的作用
gpu是顯示卡的「大腦」，它決定了該顯示卡的檔次和大部分效能，同時也是2d顯示卡和3d顯示卡的區別依據。2d顯示晶片在處理3d影象和特效時主要依賴cpu的處理能力，稱為「軟加速」。3d顯示晶片是將三維影象和特效處理功能集中在顯示晶片內，也即所謂的「硬體加速」功能。
顯示晶片通常是顯示卡上最大的晶片（也是引腳最多的）。現在市場上的顯示卡大多采用nvidia和ati兩家公司的圖形處理晶片。
於是nvidia公司在2023年釋出geforce 256圖形處理晶片時首先提出gpu的概念。gpu使顯示卡減少了對cpu的依賴，並進行部分原本cpu的工作，尤其是在3d圖形處理時。gpu所採用的核心技術有硬體t&l、立方環境材質貼圖和頂點混合、紋理壓縮和凹凸對映貼圖、雙重紋理四畫素256位渲染引擎等，而硬體t&l技術可以說是gpu的標誌。
簡單說gpu就是能夠從硬體上支援t&l（transform and lighting，多邊形轉換與光源處理）的顯示晶片，因為t&l是3d渲染中的一個重要部分，其作用是計算多邊形的3d位置和處理動態光線效果，也可以稱為「幾何處理」。一個好的t&l單元，可以提供細緻的3d物體和高階的光線特效；只不過大多數pc中，t&l的大部分運算是交由cpu處理的（這就也就是所謂的軟體t&l），由於cpu的任務繁多，除了t&l之外，還要做記憶體管理、輸入響應等非3d圖形處理工作，因此在實際運算的時候效能會大打折扣，常常出現顯示卡等待cpu資料的情況，其運算速度遠跟不上今天覆雜三維遊戲的要求。即使cpu的工作頻率超過1ghz或更高，對它的幫助也不大，由於這是pc本身設計造成的問題，與cpu的速度無太大關係。
關於cpu和gpu的相關問題
第一個問題：
gpu的競爭遠比cpu的競爭來得激烈。通用pc的cpu就只有英特爾和amd兩家大廠。而在gpu方面領先的是n記和a記兩家廠商，但能生產中低端產品的還有英特爾、3s等好幾家廠商。
它們的產品雖然不如前兩家，但在很多應用方面也能滿足使用者的需要，所以n記和a記只有拼命往前跑才不會死掉。cpu廠商沒有采用gpu的先進工藝是因為cpu廠商都有自己投資的生產線，不可能一下把原來的生產線都淘汰了上新的生產線，那樣做可能連當初投入的資金都難以收回。而gpu廠商由於種種原因，一般都是自己設計由別人代工的，比如找臺積電代工。
代工廠商為了能接到業務，只有不停升級自己的生產裝置，這樣才能生存下來。所以造成以上原因。
第二個問題
就如你所說的一樣，cpu除了處理遊戲的ai，情節等方面的資料外，對於有些影象方面也是由它完成的。當微軟每次釋出新的dx時，並不是每款gpu都能支援dx新的特性，所以有些影象方面的任務還得由cpu來完成。還有有些特性比如重力特性以前是由cpu來完成，現在有些gpu也能支援了，這些任務就由gpu來完成了。
第三個問題
gpu相當於專用於影象處理的cpu，正因為它專，所以它強，在處理影象時它的工作效率遠高於cpu，但是cpu是通用的資料處理器，在處理數值計算時是它的強項，它能完成的任務是gpu無法代替的，所以不能用gpu來代替cpu。
另外現在amd收購了a記顯示卡晶片的設計廠商，amd看到今後cpu和gpu只有走一條融合的道路才能地競爭中佔得先機。cpu和gpu如何配合默契才能最大地提高工作效率是amd現在考慮的問題，也是英特爾的問題。
第四個問題
微軟釋出windows7 其中一個顯著特性就是 聯合gpu和cpu的強大實力，提升gpu在硬體使用的價值，在windows7中，cpu與gpu組成了協同處理環境。cpu運算非常複雜的序列**，而gpu則執行大規模並行應用程式。微軟利用directx ***pute將gpu作為作業系統的核心組成部分之一。
directx ***pute。它讓開發人員能夠利用 gpu的大規模平行計算能力，創造出引人入勝的消費級和專業級計算應用程式。簡單的說，directx ***pute就是微軟開發的gpgpu通用計算介面，欲統一gpu通用計算標準。
也就是說windows7 以後gpu的硬體地位將僅次於cpu，發揮出更大的效用。
沒有GPU可以做深度學習嗎,gpu加速器能做深度學習嗎
深度學習需要具備三個因素，1，演算法 2，gpu機器 3，資料庫。gpu選擇的話，由於一般的深度學習都不需要單精度，所以價效比最高的gpu是gtx系列，比如titan x，titan x是現在深度學習用的最多的卡。gpu加速器 能做深度學習嗎 說到這個當然是無線流量的ysscloud了 呵呵也是不錯...
為什麼要學習計算機，為什麼要學電腦科學
因為當今社會，是一個資訊化的社會，計算機技術和網路技術日益普及，所以計算機水平已經成為人們最基本的素質，也是人們必備的基本技能，對學生來說，計算機基礎知識它不僅是學生的必修課，同時也是走向社會必備的技能和立足之本。在普及階段我們熟悉了電腦，並學習電腦基礎知識和基本操縱技能，在後期純熟後則更能利用它為...
一學一做學習心得是什麼為什麼,一學一做心得體會怎樣做一名合格團員
第一，學習態度比較copy端正。能夠做到bai上課認真聽講，不與同du學交頭接耳，不zhi做小動作，自覺遵dao守課堂紀律 對老師佈置的課堂作業，能夠當堂完成 對不懂的問題，主動和同學商量，或者向老師請教。第二，改進了學習方法。為了改進學習方法，我給自己訂了一個學習計劃 1 做好課前預習。也就是要擠...