英伟达GPU算力一览

network

NVIDIA英伟达GPU显卡算力一览（包含Tesla和GeForce、TITAN及RTX系列等）

技术标签： 神经网络  tensorflow  深度学习  机器学习

英伟达GPU算力一览

官方说明在GPU算力高于5.0时，此计算机可以用来跑神经网络，而在CSDN和网页上查找GPU算力时，没有一个比较全面的博客对目前的显卡算力做统计，而且英伟达官网链接打开真的谜一样，很慢或者直接打不开，所以用这篇博客记录一下截至到2020.8.27，一部分主流供深度学习的GPU的算力。
NVIDIA官方查找GPU算力的网址：https://developer.nvidia.com/cuda-gpus

此外，目前主流的游戏本显卡1650,1660以及1660Ti等并未出现在官网的算力表中，应该是这些GPU没有tensor core所以不太适合做深度学习。

1.CUDA-Enabled Tesla Products

2.CUDA-Enabled GeForce and TITAN Products

版权声明：本文为博主原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.csdn.net/qq_41070955/article/details/108269915

network

深度学习为什么需要显卡计算？

GPU 是为大规模的并行运算而优化；

GPU 上则更多的是运算单元(整数、浮点的乘加单元，特殊运算单元等等)； GPU 往往拥有更大带宽的显存，因此在大吞吐量的应用中也会有很好的性能。 这里有一个很有趣的解释视频，解释了GPU和CPU的计算区别。

所以显卡选择最重要，因为准备基于CUDA计算(CUDA (ComputeUnified Device Architecture) 是NVIDIA开发的GPU并行计算环境。)，所以只能选择Nvida系列的。在英伟达产品系列中，有消费领域的GeForce系列，有专业绘图领域的Quadro系列，有高性能计算领域的Tesla系列，如何选择？

有论文研究，太高的精度对于深度学习的错误率是没有提升的，而且大部分的环境框架都只支持单精度，所以双精度浮点计算是不必要，Tesla系列都去掉了。从显卡效能的指标看，CUDA核心数要多，GPU频率要快，显存要大，带宽要高。这样，最新Titan Xp算是价格便宜量又足的选择。

CPU选择：

在深度学习任务中，CPU并不负责主要任务，单显卡计算时只有一个核心达到100%负荷，所以CPU的核心数量和显卡数量一致即可，太多没有必要，但是处理PCIE的带宽要到40。

准系统选择：

需要支持PCIe3.0，还要支持4通道DDR4内存架构。如果要搞四显卡并行，PCIE带宽支持要达到40，并且支持4-WayNVIDA SLI技术。

RAM：

达到显存的二倍即可，当然预算充足的话越大越好。

Power supply：

一个显卡的功率接近150-300W，四显卡建议电源在1200W以上，为了以后扩展，或选择1600W的电源。

network

前言

前几天，我们刚下发了毕业设计的题目，我选的题目为基于TensorFlow的深度学习与研究，这将会是一个系列文章，截止2020-07我会将所有相关内容用更加通俗易懂的方式发布在公众平台上，我们一块学习，让我们嗨起来~。

工欲善其事，必先利其器。今天这篇文章，我们就先学习如何在Windows、Linux上搭建开发环境。

Windows下环境搭建

1

1. 安装Python环境

进入官网，根据个人电脑系统选择合适的发行版本进行安装，以下是两点提示：

• 选择Python3.x版本

• 下载好之后进行安装的时候，记住勾选Add Python 3.x to PATH可选项。

官网地址：

https://www.python.org/downloads/windows/

按照上述步骤安装好之后，我们通过命令行检测一下是否安装成功。

打开命令行工具，输入如下命令：

python --version

若能显示出版本号，则证明安装正确。(：因为我之前已经安装了Anaconda，所以后面也会显示Anaconda的相关信息，小伙伴们在自己的电脑上只要看到Python版本信息就好了哦，不用跟我一样哒~

2. Anaconda下载

haha，首先介绍下Anaconda，Anaconda是Python的一个科学计算发行版，内置了上千个Python经常会用到的库，包括Scikit-learn、Numpy、Scipy、Pandas等。

因为Anaconda是一个国外网站，所以我推荐大家通过镜像去进行安装。当然，如果你想通过官网下载，也没有是问题滴~进入官网，选择合适的发行版本进行安装即可~

官网地址:

https://www.anaconda.com/distribution/#download-section

ok，我们重点来说如何通过镜像去安装，这里我们采用清华的镜像。

地址：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

这里建议小伙伴们安装3-4.2版本，因为这个版本对于我们初学者比较友好，简单介绍下Anaconda3-4.2.0-Windows-x86.exe文件名含义：

• 3-是Python版本3.x

• Windows-x86是32位系统

• Windows-x86_64是64位系统

大家记住自行根据电脑实际情况进行安装，不必跟我一样~

下载好之后，双击进行安装，由于安装方式比较简单(：会给你女朋友装QQ、微信就会装这个🤭，所以这里不再赘述。等安装好之后，按下Windows键，找到如下图所示选项：在以后的开发中，我们将主要使用其中的Anaconda Prompt命令行工具和基于Web的Jupyter Notebook 。

3. 在Anaconda中安装Tensorflow

国外网络有时太慢，可以通过配置把下载源改为国内的，通过conda config命令生成配置文件，这里使用清华的镜像源。

地址如下：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

First of all，打开Anaconda Prompt窗口，执行命令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

In addition，执行命令：

conda config --set show_channel_urls yes

last but not least，在用户目录底下找到.condarc文件，用编辑软件打开.condarc文件，删除第三行 -defaults，保存文件。

修改好镜像源之后，我们可以安装TensorFlow了：

• 安装普通版TensorFlow命令为:

conda install tensorflow

• 安装GPU版TensorFlow命令为:

conda install tensorflow -gpu

为便于学习，建议大家安装普通版即可，在安装的过程中：大家按照图中提示，选择y即可。

4.测试TensorFlow是否安装成功

打开Jupyter，新建Python3文件，我们看图说话：

打开之后，我们新建一个py文件，写一段测试代码跑一跑。

哎呦，好开心，一把就跑通了~真厉害o(*￣▽￣*)ブ 赶紧喝两口RIO🍺，慰劳一下自己😄贴心的我把跑测试的代码贴到下面，有没有想要夸我的冲动🤭

import tensorflow as tfhello = tf.constant('Hello, TensorFlow!')sess = tf.Session()print(sess.run(hello))

Linux下环境搭建

2

目前，TensorFlow社区推荐的安装和运行环境是Ubuntu，它同时也支持Mac和Windows上的安装部署。

因为在深度学习的计算过程中，大量操作是向量和矩阵的计算，而GPU在向量和矩阵计算速度方面比CPU有一个数量级的提升，并且深度学习在GPU上的运算效率更高，所以推荐在配有GPU的机器上运行TensorFlow程序。

你说巧不巧，我在腾讯刚好有一台Linux服务器，刚好借用它老人家来写写教程(：我真爱学习O(∩_∩)O，夸我🤭

1.Python3环境安装

CentOS系统本身默认安装有Python2.x，版本x根据不同版本系统有所不同，可通过 python --V 或 python --version 查看系统自带的Python版本。

有一些系统命令时需要用到Python2，不能卸载。

• 安装依赖包

  • 首先安装gcc编译器，gcc有些系统版本已经默认安装，通过如下命令查看：

gcc --version

     没安装的先安装gcc：

yum -y install gcc

• 安装其它依赖包，(注：不要缺少，否则有可能安装python出错，python3.7.0以下的版本可不装 libffi-devel )

yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel libffi-devel

下载python3.7.0源码，根据需求下载

• 在https://www.python.org/ftp/python/中选择自己需要的python源码包，我下载的是python3.7.0

• 下载

wget https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz

• 解压Python-3.7.0.tgz

tar -zxvf Python-3.7.0.tgz

• 建立一个空文件夹，用于存放python3程序

mkdir /usr/local/python3

• 执行配置文件，编译，编译安装

cd Python-3.7.0./configure --prefix=/usr/local/python3make && make install

安装完成没有提示错误便安装成功了

• 建立软连接

ln -s /usr/local/python3/bin/python3.7 /usr/bin/python3ln -s /usr/local/python3/bin/pip3.7 /usr/bin/pip3

• 测试一下python3是否可以用，见证一下Linux下Python版本的Hello World!

2.CentOS中安装TensorFlow

注意用yum安装，不要卸载之前的python2，否则系统会出问题。安装完毕后会有如下命令：/usr/bin/python3，注意不要做软连接python3到python，原因还是centos要使用python2作为默认工具。这里不用理会，因为下面的virtualenv会自动对应python3.

下面这些不看本文也可以，把TensorFlow官网安装文档中的apt-get换成yum就行。

• 安装需要的东西

sudo yum -y install epel-releasesudo yum -y install gcc gcc-c++ python3-pip python-devel atlas atlas-devel gcc-gfortran openssl-devel libffi-devel

注意：这里的python3-pip对应了python3

• 安装virtualenv

use pip or pip3 as you prefer for python or python3

pip3 install --upgrade virtualenvvirtualenv --system-site-packages ~/venvs/tensorflow

• 启动virtualenv

source ~/venvs/tensorflow/bin/activate

注意：每次都需要启动这个虚拟环境来跑TensorFlow

• 在virtualenv中安装TensorFlow

pip3 install --upgrade tensorflow

安装好之后，我们写一段测试代码跑一跑：

ok，若能看到版本信息，就证明安装成功。

一点说明

3

到此为止，对于Windows和Linux两种平台下TensorFlow的安装就到此over。

可能有的小伙伴会问：我在书上看到还要安装GPU啊啥的，对的，小伙伴提的问题很好，证明你仔细看书了，这里我做如下解释：

深度学习中大量的操作是向量和矩阵的运算，而GPU在向量和矩阵计算速度方面比CPU有一个数量级的提升，并且深度学习在GPU上的运算效率更高，但是，听好了，我说但是，我们的项目用CPU跑就足够了~

network

回复 3# network
目前RTX3080 GPU跑模型的话，无论是TensorFlow还是pytorch都需要安装cuda的版本在11.0及以上，当前测试版本为11.1。

搭建环境
本测试环境为anaconda环境，如果直接使用conda install tensorflow-gpu的话，会出现不兼容问题。可以使用 pip install tf-nightly-gpu进行安装,当前安装版本为TensorFlow 2.5.0-dev20201127版本。pytorch安装1.7版本即可，使用conda install 官方命令即可，安装时间较长。

Minist测试demo
import warnings
warnings.filterwarnings('ignore')
import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0


model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=500)

model.evaluate(x_test, y_test)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
本测试通过2020.11.28
————————————————
版权声明：本文为CSDN博主「m0_50480883」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_50480883/article/details/110267095