Titan RTX深度学习评测结果

NVIDIA TITAN RTX 专为数据科学、AI 研究、内容创作和通用 GPU 开发而构建。它基于 Turing 架构搭建，具有 4608 个 CUDA 核心、576 个用于加速 AI 的全速混合精度 Tensor Core 核心和 72 个用于加速光线追踪的 RT 核心。TITAN RTX 还包含 24 GB GPU 显存，支持使用大批量样本训练神经网络、处理大型数据集，并适用于大型动画模型和其他占用大量内存的工作流程。

AI硬件供应商Lambda Labs对Titan RTX、RTX 2080Ti、Tesla V100（32GB）、GTX 1080Ti、Titan Xp、Titan V只对单GPU在各种深度学习训练任务上的训练速度进行测试结果。

在 FP 32 单精度训练上，Titan RTX 平均：

• 比 RTX 2080Ti 快 8%；
• 比 GTX 1080Ti 快 46.8%；
• 比 Titan Xp 快 31.4%；
• 比 Titan V 快 4%；
• 比 Tesla V100（32 GB）慢 13.7%。
  
  在 FP 16 半精度训练上，Titan RTX 平均：
• 比 RTX 2080 Ti 快 21.4%；
• 比 GTX 1080 Ti 快 209.7%；
• 比 Titan Xp 快 192.1%；
• 比 Titan V 慢 1.6%；t
• 和 v100（32 GB）的对比还有待调整。
  
  batch-size：
  
  FP32 - 每秒钟处理的图像数量：
  
  FP16 - 每秒钟处理的图像数量：
  

NVIDIA英伟达GPU显卡算力

GPU显卡分类：

• Tesla：用于技术和科学计算
• Quadro：用于专业可视化
• Jetson：用于AI自主机器
• GeForce和TITAN：

官方说明在GPU算力高于5.0时，可以用来跑神经网络。显存越高，意味着性能越强大，因为显存越大，batch size就越大，CUDA核可以更加接近满负荷工作。

常见显卡的计算力：

深度学习GPU选择

GPU几个比较重要的参数：

• GPU架构：
  不同款的GPU可能采用不同设计架构，比如GeForce 10系列的GTX 1080/1080Ti采用的是Pascal架构，而GeForce 20系列的RTX 2080/2080Ti采用的是Turing架构。不同架构的GPU，即使其他参数差不多，性能差别可能非常大。
• CUDA核心数量
  CUDA核心数量越大越好，Geforce GTX 1080的CUDA核心数量是2560个。而Geforce RTX 2080Ti的CUDA核心数高达4352个。
• 显存位宽
  代表GPU芯片每个时钟周期内能从GPU显存中读取的数据大小，这个值越大代表GPU芯片和显存之间数据交换的速度越快，性能越好。Geforce GTX 1080的显存位宽为256bit，Geforce RTX 2080Ti显存位宽为352bit。
• GPU工作频率
  代表GPU每秒钟工作次数，单位为MHz，跟CPU的频率类似。该值越大代表性能越好。
• 显存带宽
  代表GPU芯片每秒与显存交换的数据大小，这个值等于 显存位宽*工作频率，单位为GB/秒，该值越大，代表GPU性能越好。Geforce GTX 1080的显存带宽为320GB/秒，而它的升级版Geforce RTX 2080的带宽为448GB/秒。
• 显存容量
  显存越高，意味着性能越强大，因为显存越大，batch size就越大，CUDA核可以更加接近满负荷工作。Geforce GTX 1080的显存为8GB，而该系列的旗舰版Geforce GTX 1080Ti的显存为11GB。Tesla系列显卡由于特殊的应用场景，有些型号的卡显存高达16G/24G不等。
• 功耗
  GPU能耗，像Geforce这种消费级的显卡一般功耗非常高，Geforce GTX 1080的最大功耗为175W，Tesla P4的最大功耗为75W。像那种数据中心大规模级别的GPU部署，低功耗的显卡一年电费能省很多。

参考资料
首个Titan RTX深度学习评测结果出炉：2019年你该选择哪款GPU？
推荐开发者使用的 GPU
NVIDIA英伟达GPU显卡算力一览（包含Tesla和GeForce、TITAN及RTX系列等）
英伟达显卡算力榜（nvidia GPU compute capability）
您的 GPU 计算能力
IT周见智
Choosing the Best GPU for Deep Learning in 2020
如何选择 GPU 搭建深度学习机器
深度学习GPU选择
Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning