大数据文摘出品
来源：lambdalabs
编译：张秋玥
深度学习模型越来越强大的同时，也占用了更多的内存空间，但是许多GPU却并没有足够的VRAM来训练它们。
那么如果你准备进入深度学习，什么样的GPU才是最合适的呢?下面列出了一些适合进行深度学习模型训练的GPU，并将它们进行了横向比较，一起来看看吧!
太长不看版
截至2020年2月，以下GPU可以训练所有当今语言和图像模型：
- RTX 8000：48GB VRAM，约5500美元
- RTX 6000：24GB VRAM，约4000美元
- Titan RTX：24GB VRAM，约2500美元
以下GPU可以训练大多数(但不是全部)模型：
- RTX 2080 Ti：11GB VRAM，约1150美元
- GTX 1080 Ti：11GB VRAM，返厂翻新机约800美元
- RTX 2080：8GB VRAM，约720美元
- RTX 2070：8GB VRAM，约500美元
以下GPU不适合用于训练现在模型：
- RTX 2060：6GB VRAM，约359美元。
在这个GPU上进行训练需要相对较小的batch size，模型的分布近似会受到影响，从而模型精度可能会较低。
图像模型
内存不足之前的最大批处理大小：
*表示GPU没有足够的内存来运行模型。
性能(以每秒处理的图像为单位)：
*表示GPU没有足够的内存来运行模型。
语言模型
内存不足之前的最大批处理大小：
*表示GPU没有足够的内存来运行模型。
性能：
* GPU没有足够的内存来运行模型。
使用Quadro RTX 8000结果进行标准化后的表现
图像模型：
语言模型
结论
- 语言模型比图像模型受益于更大的GPU内存。注意右图的曲线比左图更陡。这表明语言模型受内存大小限制更大，而图像模型受计算力限制更大。
- 具有较大VRAM的GPU具有更好的性能，因为使用较大的批处理大小有助于使CUDA内核饱和。
- 具有更高VRAM的GPU可按比例实现更大的批处理大小。只懂小学数学的人都知道这很合理：拥有24 GB VRAM的GPU可以比具有8 GB VRAM的GPU容纳3倍大的批次。
- 比起其他模型来说，长序列语言模型不成比例地占用大量的内存，因为注意力(attention)是序列长度的二次项。
GPU购买建议
- RTX 2060(6 GB)：你想在业余时间探索深度学习。
- RTX 2070或2080(8 GB)：你在认真研究深度学习，但GPU预算只有600-800美元。8 GB的VRAM适用于大多数模型。
- RTX 2080 Ti(11 GB)：你在认真研究深度学习并且您的GPU预算约为1,200美元。RTX 2080 Ti比RTX 2080快大约40%。
- Titan RTX和Quadro RTX 6000(24 GB)：你正在广泛使用现代模型，但却没有足够买下RTX 8000的预算。
- Quadro RTX 8000(48 GB)：你要么是想投资未来，要么是在研究2020年最新最酷炫的模型。
附注
图像模型：
语言模型：
相关报道：https://lambdalabs.com/blog/choosing-a-gpu-for-deep-learning/
【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】
