本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
春暖花开，各位深度学习er想不想给自己的“丹炉”升级一波？
“炼丹”爱好者们应该知道，在该领域中，**GPU的总体表现完胜CPU。
那么GPU应该怎么选？不妨来看看这篇超级详尽的“2023版GPU选购指南”。
知名测评博主、华盛顿大学在读博士Tim Dettmers亲测后，写下万字长文，手把手教你Pick性价比最高的显卡，避免踩雷。
△光是目录就有这么长……
至于谁是性价比之王，不卖关子，这里先放上Tim哥的结论：
对于16位训练过程，RTX 3080的性价比最高；对于8位和16位推理，RTX 4070Ti的性价比最高。
有意思的是，不只这俩，他在本文推荐的显卡全是英伟达家的——Tim哥觉得，对于深度学习，“AMD GPU+ROCm”目前还打不过“NVIDIA GPU+CUDA”。
手把手教你挑GPU
Tim哥自制了一张表格，展示出在训练和推理过程中，一美元能买到多少算力；这在一定程度上体现了英伟达众显卡的性价比。
△蓝色-16位训练；红色-16位推理；黄色-8位推理
看到这个，你可能一脸问号：从表格来看，不是RTX 4080在8位和16位推理上的性价比更高吗？
其实，咱们开头说的是“综合性价比”——
除了看一美元能买多少算力，还要结合显卡的运行成本，比如电费。所以总的来说，还是RTX 4070Ti的性价比更高。
虽然RTX3080和RTX 4070 Ti性价比高，但这俩的内存是个明显短板：
Tim哥指出，12GB在很多情况下都不够用，要运行Transformer模型的话，至少需要24GB。
于是，Tim哥又贴心地做了一个小程序，帮你根据不同的任务选择最合适的GPU。
其背后的核心思想是：不管干啥，一定要保证GPU的内存满足你的需求。
首先，要弄清楚这个GPU是个人用还是公用，还有就是要处理什么任务——比如，是要训练语言大模型（LLM）吗、参数量有没有超过130亿？还是就做点小项目？
然后再根据自己的钱包情况，参考上面的表格，选择最合适的GPU。
举个例子：
如果要训练LLM且参数量超过130亿，不差钱的可以选择支持Azure公有云的A100或者H100；追求性价比的话，可以选支持AWS的A100或者H100。
但如果预算实在有限，建议放弃……
（在亚马逊上，40GB的英伟达Tesla A100售价为11769美元起，约合人民币79529元。当然这都是针对国外的情况，在国内炼丹仅供参考）
另外，Tim哥还支了一招：最好用云GPU（比如Lambda云）来估测一下所需的GPU内存（至少12GB用于图像生成，至少24GB用于处理Transformer）。
其实假如GPU仅偶尔使用（每隔几天用几小时），甚至都不用去买个实体的，用云GPU就可以了。
对了~如果你真的不在乎这点（？）钱，就要追求极致性能，那可以看看这张表，即GPU的原始性能排行。
那如果实在钱不够，即使是Tim哥推荐的最便宜的GPU也买不起，还有办法吗？
那可以考虑二手呀！
先去买个便宜的GPU用于原型设计和测试，然后在云端进行全面的实验和测试。
关键性能点有哪些？
盘点完英伟达的一堆GPU后，再来叙一叙关乎深度学习速度的几大GPU性能关键点。
（如果你想稍微深入了解一些，请接着往下看。）
Tim哥指出，重点有四：GPU的内存、核心、Tensor Core和缓存。
而其中最重要的是Tensor Core。
Tensor Core是英伟达为其高端GPU开发的一项技术，本质上，就是加速矩阵乘法的处理单元。其中Tensor即张量，是一种能表示所有类型数据的数据类型。
Tim表示，在所有深度神经网络中，最昂贵的部分是矩阵乘法，而有了Tensor Core，运算速度会变得非常快，有助于大大减少成本。
就拿一个入门级的32×32矩阵乘法来说，通过Tensor Core，将矩阵乘法的运算时间从504个周期，降低到235个周期，直接减半。
而且即便是超大规模的矩阵运算，Tensor Core也能轻松处理。在规模堪比GPT-3的训练中，Tensor Core的TFLOPS利用率也就约为45-65%。
而当两个GPU都有Tensor Cores时，要比较它们性能，最佳指标之一就是内存带宽。
例如，A100 GPU的内存带宽为1555GB/s，而V100为900GB/s。因此，A100和V100相比，运算速度大概是后者的1555/900=1.73倍。
由此可见，内存带宽会影响到Tensor Core的性能发挥。于是研究人员开始寻找其他GPU属性，使内存数据传输到Tensor Core的速度更快。
然后，他们发现，GPU的一级缓存、二级缓存、共享内存和使用的寄存器数量也都是相关因素。
对于缓存来说，数据块越小，计算速度越快；所以需要把大的矩阵乘法，划分成小的子矩阵乘法。研究者们把这些小的子矩阵乘法称为“内存碎片”*（memory tiles）。
一部分“碎片”被加载到Tensor Core中，由寄存器直接寻址。
根据英伟达Ampere架构的规则，举个例子~
把每一个权重矩阵都切成4个“碎片”，并假设其中两个为零——于是就得到了一堆稀疏权重矩阵。
然后把这些稀疏权重矩阵与一些密集输入相乘，Tensor Core功能启动，将稀疏矩阵压缩为密集表示，其大小为下图所示的一半。
在压缩之后，密集压缩的“碎片”被送入Tensor Core，计算的矩阵乘法是一般大小的两倍。这样，运算速度就成了通常的2倍。
Tim哥表示，上述性能点，他在统计英伟达GPU性能时都考虑在内了。
如果你把这些东西吃透了话，以后就能完全靠自己配置出最合适的“炼丹炉”了。
原文传送门：
https://timdettmers.com/2023/01/30/which-gpu-for-deep-learning/
