前不久刚刚入手了一台新电脑，显卡为RTX3060，在安装环境的时候，踩了不少坑，现在将经验总结如下：
来源丨https://zhuanlan.zhihu.com/p/365926059
除了这8个3.5英寸硬盘位以外，ASUS TS700-E9在背面还有2个热插拔SSD硬盘位：
可以说是万众期待下，老黄发布了消费级（民用级）显卡RTX2070、RTX2080、RTX2080TI，作为“大多数人”，不得不说在发布会即将结束的那一刻，真的很想预订一块。真的很有诱惑力啊，毕竟价格摆在那里，RTX2080TI显卡相比1080TI可是贵了许多，Founder Edition 版 京东上预订9999差不多1w了。
英伟达在2018科隆国际游戏展宣布，新款高端显卡GeForce RTX 2070，RTX 2080和RTX 2080 Ti正式问世。
由于显卡太新的缘故，安装Ubuntu16.04时，试了好多版本，只有16.04.6能顺利安装，可是继续安装Nvidia显卡驱动时各种失败，最后重装了18.04.2版本。接着尝试安装显卡驱动。
目前在售的NVIDIA Volta架构中Tesla V100处于深度学习GPU专业卡的最顶端位置！拥有5120个CUDA核心、640个Tensor辅助核心，核心面积达到了815平方毫米，集成了210亿个晶体管。作为Tesla P100的升级产品，Tesla V100同样拥有有两个不同的版本：一个是支持NVLInk,一个是支持PCIE。
今日Lady发现国外一篇文章提到测试多片NVIDIA双风扇Geforce RTX时，会出现性能降低的状况 (点击阅读原文访问原始文章）。
而M1 Max更夸张，搭载570亿个晶体管，比Pro还要大70%，芯片面积达到432mm²。
📷 本文来自英伟达高级工程师 季光在LiveVideoStack 线上交流分享，并由LiveVideoStack整理而成。分享中季光详细解析了GPU在视频编解码，图像分析和视频处理方面的相关技术支持，
2018 年 12 月，英伟达在加拿大蒙特利尔 NeurIPS 大会上发布最新款产品 Titan RTX，作为 2017 年 Titan V 的「继承者」，Titan RTX 价格更低，显存更大，性能更强，且使用图灵架构，具备强大的光线追踪能力。因此，Titan RTX 的发布对 AI 社区而言，是不是做深度学习的一个不错选择呢？
一、笔记本显卡性能排行榜首先来看笔记本显卡跑分排名，对比当前市面上主流的笔记本显卡芯片跑分，包括nvidia、amd和intel三大品牌的显卡芯片，包括笔记本独立显卡和笔记本核芯显卡。笔记本显卡排行按跑分排名前二十名的型号依次是：
第一辆汽车诞生之初，时速只有 16 公里，甚至不如马车跑得快，很长一段时间，汽车尴尬地像一种“很酷的玩具”。人工智能作图的出现也是如此。
深度学习是一个对计算有着大量需求的领域，从一定程度上来说，GPU的选择将从根本上决定深度学习的体验。因此，选择购买合适的GPU是一项非常重要的决策。那么2022年，如何选择合适的GPU呢？这篇文章整合了网络上现有的GPU选择标准和评测信息，希望能作为你的购买决策的参考。
工欲善其事必先利其器，今天聊一聊深度学习必备GPU如何去选，记得收藏哦！ 深度学习是一个对计算有着大量需求的领域，从一定程度上来说，GPU的选择将从根本上决定深度学习的体验。因此，选择购买合适的GPU是一项非常重要的决策。那么2022年，如何选择合适的GPU呢？这篇文章整合了网络上现有的GPU选择标准和评测信息，希望能作为你的购买决策的参考。
一个好的GPU可以让你快速获得实践经验，而这些经验是正是建立专业知识的关键。如果没有这种快速的反馈，你会花费过多时间，从错误中吸取教训。
因为我自己的电脑配置并不高，所以很多时候我都会去借助云电脑解决问题（比如玩大型网络游戏、训练AI模型、使用pspr等），云电脑高配置的硬件和环境支持为我的工作和学习提供了很大的便利。作为一个云电脑的资深薅羊毛用户，每次购买和使用云电脑我都会货比三家，找到性能和性价比最适合自己的品牌，所以国内外大多数云电脑平台我都接触和了解过。很多朋友会觉得云电脑是个很高级和神秘的东西，不知道怎么去使用，又或者因为云电脑品牌太多，不知道该选择哪一家，接下来Dream将结合自己的亲身使用经历和心得体会，教会大家如何使用和选择云电脑。
目前最好的显卡排名，排在第一位的NVIDIA RTX 3090是现如今市面上性能最强的显卡，强的一塌糊涂，24GB的内存，支持8K分辨率，世上首款8K游戏显卡，核心是GA102，完整版的GA102核心有10752个流处理器，相当于Titan RTX的2.33倍，对比20系提升巨大，3090相比3080提升了15％左右，相比2080ti提升在43％左右，不论什么样的游戏都能完美的驾驭，不愧被称为地球最强。不过值得注意的是，RTX 3090是一块非常耗电的卡，并且需要一个体面的电源设备；在一个就是价格非常昂贵，让一般游戏玩家难以企及。
众所周知，当今业界性能最强（SOTA）的深度学习模型都会占用巨大的显存空间，很多过去性能算得上强劲的 GPU，现在可能稍显内存不足。在 lambda 最新的一篇显卡横向测评文章中，开发者们探讨了哪些 GPU 可以再不出现内存错误的情况下训练模型。当然，还有这些 GPU 的 AI 性能。
张量核心、显存带宽、16位能力……各种纷繁复杂的GPU参数让人眼花缭乱，到底怎么选？
今年 1 月，英伟达在 CES 2021 上正式发布了 RTX 3060 显卡。该显卡拥有 30 系迄今为止第二大的显存容量 12GB，仅次于 RTX 3090；采用了 3584 CUDA 核心，GPU 频率可达 1.78GHz，配备了 12GB 的 GDDR6 显存，显存位宽 192-bit。
“这是计算机图形学的历史性时刻！”8 月 21 日在德国科隆举办一场主题演讲上，英伟达（NVIDIA）CEO 黄仁勋冲台下的观众喊道。
喜大普奔！今天一波Nature、Science齐发文，可把学术圈的嗑盐人们高兴坏了。
来源：量子位（ID：QbitAI） 本文约2000字，建议阅读8分钟 我们的成果可以帮助整个科学界，为生物学研究加速。 喜大普奔！近日一波Nature、Science齐发文，可把学术圈的嗑盐人们高兴坏了。 一边是“AI界年度十大突破”AlphaFold2终于终于开源，登上Nature。 另一边Science又出报道：华盛顿大学竟然还搞出了一个比AlphaFold2更快更轻便的算法，只需要一个英伟达RTX2080 GPU，10分钟就能算出蛋白质结构！ 要知道，当年AlphaFold2横空出世，那是真·沸腾
此次实验是为了探究YoloV5在RTX2080Ti平台上使用TensorRT对于模型推理的加速效果，同时也比对一下RTX2080Ti平台上GPU对于i7-8700 CPU的加速。
最近AIGC有多火不用多说了，只需一张朴实无华的自拍，就可以让你变身肌肉型男，拥有一个自己二次元的完美角色。
在他的配置下，整个系统需花费 6200 美元（约合 41700 元人民币），相比 AI 硬件供应商 Lambda Labs 提供的整机要便宜一半。如何为实验室组装一台最强大的计算机，让我们来看看他是怎么做到的。
深度学习常被戏谑为“炼丹术”，那么，GPU于深度学习研究人员而言就是不可或缺的“炼丹炉”。
显卡大幅降价了但是还可以再等等，新的40系列显卡也要发售了，所以我们先看看目前上市的显卡的性能对比，这样也可以估算下40显卡的性能，在以后购买时作为参考。
特别感谢：如果没有来自 Tuatini GODARD（他是我的一名好朋友，同时也是一名活跃的自由职业者）的帮助，这个基准比较工作是不可能完成的。如果你想了解更多关于他的信息，可以阅读这篇访谈：
经测试，使用SD-turbo模型在去噪步骤为1步的情况下，文本-图像每秒帧率可达106，图像-图像每秒帧率达到93。
关于 pytorch 安装查看官方文档 PyTorch Get Started docs
1 https://github.com/AUTOMATIC1111/stable-diffusion-webui/discussions/3889 禁用硬件 GPU 调度。
表现State-of-the-art (SOTA) 的深度学习模型越来越需要更大的显存开销，现在很多GPU已经开始日渐乏力。本文将展示一些GPU在训练SOTA模型的情况。
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。
---- 新智元报道 来源：Computex NVIDIA 编辑：好困 Emil 【新智元导读】「不务正业」的英伟达在AI上简直是大力出奇迹，不仅带来了AI动画制作软件，还有基于AI的实时3D仿真软件，甚至连「AI Tuber」都搞了出来。当然，除此之外，英伟达也为我们带来了「买不到」的3080Ti和3070Ti。 英伟达终于发布了GeForce RTX 3080 Ti，然而这一点儿都不重要。看完之后发现明显是那个「AITuber」旁白更有意思，是真的可爱！ 刚开始还在想这个配音还有些生涩，结果没
英伟达终于发布了GeForce RTX 3080 Ti，然而这一点儿都不重要。看完之后发现明显是那个「AITuber」旁白更有意思，是真的可爱！
文中，作者测试了包含Titan RTX在内的多个常见NVIDIA GPU卡在各种AI训练任务上的速度。对于每个GPU，分别训练下列神经网络时测量每秒处理的图像数量:ResNet50、ResNet152、Inception3、Inception4、VGG16、AlexNet和SSD。得出了一下结论：
今年的 GTC 系列大会已是第十届，也是连续第三次进入国内，和每次一样，英伟达首席执行官黄仁勋参加了本次大会，并在首日上午进行了主 Keynote 演讲。
在之前的博客中，来自 MIT 的 Curtis Northcutt 分享了构建专业质量的深度学习工作站和购买零件的所有细节，搭建该工作站共花费了 6200 美元，几乎是 Lambda 和 Bizon 等公司的一半（Lambda 同等工作站需要 12,500 美元）。该博客在 Reddit 上疯传，在接下来的几周里，Lambda 将其 4-GPU 的工作站价格降到了 12000 美元。
虽然大多数深度学习模型都是在 Linux 系统上训练的，但 Windows 也是一个非常重要的系统，也可能是很多机器学习初学者更为熟悉的系统。要在 Windows 上开发模型，首先当然是配置开发环境。Kaggle Master 及机器学习实践者 Abhinand 立足于自己的实践，给出了一种简单易行的 Windows 深度学习环境配置流程。
本文将介绍在 Windows 计算机上配置深度学习环境的全过程，其中涉及安装所需的工具和驱动软件。出人意料的是，即便只是配置深度学习环境，任务也不轻松。你很有可能在这个过程中犯错。我个人已经很多次从头开始配置深度学习环境了，但是通常是在对程序员更友好的操作系统 Linux 中。
美国人工智能公司Lambda用TensorFlow测试了RTX 2080 Ti。相比1080 Ti， 2080 Ti值得买么？
还记得英伟达仅发布不到一个月，就被网友活活「骂到取消」的RTX4080 12G版吗？
用深度学习当「外挂」，本文将教你如何用 PyTorch 在GTA 5 中训练自动驾驶模型。
大语言模型微调是指对已经预训练的大型语言模型（例如Llama-2，Falcon等）进行额外的训练，以使其适应特定任务或领域的需求。微调通常需要大量的计算资源，但是通过量化和Lora等方法，我们也可以在消费级的GPU上来微调测试，但是消费级GPU也无法承载比较大的模型，经过我的测试，7B的模型可以在3080（8G）上跑起来，这对于我们进行简单的研究是非常有帮助的，但是如果需要更深入的研究，还是需要专业的硬件。
领取专属 10元无门槛券
手把手带您无忧上云
