【发布时间】：2015-05-17 01:11:55
【问题描述】：
这不是一个不合理的问题。 Nvidia 和 ATI 架构不同，以至于对于某些任务（例如比特币挖掘），ATI 比 Nvidia 好得多。
与神经网络相关的处理也是如此。我曾尝试在这种情况下比较这 2 个 GPU 品牌，但没有这样做。
我的期望是，GPU 中神经网络处理最重要的是内核数量。对吗？
【问题讨论】：
标签： machine-learning neural-network gpu
【发布时间】：2015-05-17 01:11:55
【问题描述】：
几乎所有使用 GPU 的 ML 软件都可以（最好）与 CUDA 配合使用，因此 Nvidia 的 GPU 更可取。
看看this discussion。还有一篇关于which GPU to get for deep learning（现代神经网络）的文章。相关引述：
那么我应该得到什么样的 GPU？英伟达还是 AMD？
NVIDIA 的标准库使得在 CUDA 中建立第一个深度学习库变得非常容易，而 AMD 的 OpenCL 则没有如此强大的标准库。目前，还没有很好的 AMD 卡深度学习库——NVIDIA 就是这样。即使将来有一些 OpenCL 库可用，我也会坚持使用 NVIDIA：问题是 GPU 计算或 GPGPU 社区对于 CUDA 来说非常大，而对于 OpenCL 来说则相当小。因此，在 CUDA 社区中，很容易获得良好的开源解决方案和可靠的编程建议。
NVIDIA 之所以成功，是因为他们投入了大量精力来支持科学计算（例如，请参阅cuDNN。这意味着他们承认该领域并尝试转向这些应用程序）。
所以，NVIDIA 有很多 GPU。你应该买哪一个？
简短的回答，基于上面引用的文章（我强烈建议阅读它！）：GTX 980。
实际上，核心数量并不重要。 GPU 没有大量内存，因此与主机（您的 RAM）的通信是不可避免的。所以重要的是板载内存量（以便您可以加载和处理更多）和带宽（因此您不必花费大量时间等待）。
【讨论】：