计算机编程入门，最常用的形式就是游戏（比如Apple在iOS上推出的Swift Playgrounds应用）和网页（大量线上编程入门课程均选择网页开发）。除了游戏和网页比较有趣外，最主要的原因就是反馈迅速。无论是游戏，还是网页，改动之后，马上就能看到效果。

Peter Norvig的雄文《十年学会编程》也强调了交互和反馈对学习的重要性：

你偏爱哪种学弹钢琴的方式：

通常的交互式的方式，你一按下琴键就能听到音符；

还是“批量”模式，你只有弹完整首曲子才能听到音符？

显然，用交互模式学习弹钢琴更容易些，编程也一样。

这就是为什么GPU对于入门深度学习非常重要的原因。如果没有一块强劲的GPU，每一次尝试可能都要跑几个月。

CPU不行吗

CPU不行。

为什么？

因为CPU和GPU的设计不同。如果用快递来打比方，CPU像是一辆摩托车，而GPU像是一辆货车。它们都能用来搬用货物，但是适用的货物类型不同。CPU（摩拖车）可以非常快速地访问内存（包裹）而GPU（货车）访问内存的速度很慢（高延迟）。然而，如果包裹数量很多的话，CPU（摩托车）需要多次往返才能完成运输，而GPU（货车）一下子就能运输一大堆包裹。

换句话说，CPU（摩托车）适合处理小数据（几个小包裹）而GPU（货车）适合处理大数据（多个大包裹）。Intel最高端的Core i9-7980XE，内存带宽约为57GB/s， 而NVIDIA为大数据分析与科学计算推出的Tesla K80显卡内存带宽高达480GB/s.

另一方面，CPU是为通用运算设计的，而GPU更擅长并行的浮点计算。

这两个设计上的区别，决定了GPU更擅长深度学习。深度学习由多层的神经网络组成，这些神经网络包含很多权重和偏置。而这些权重和偏置简单来说，就是许多巨大的浮点矩阵。这就意味着，深度学习需要很大的内存带宽访问这些网络，也需要进行大量的浮点运算。因此，GPU对深度学习至关重要。

如何挑选显卡

首先，看品牌。这个没什么选择。NVIDIA

Intel的Xeon Phi吹得很厉害，你可以使用标准的C代码，Xeon Phi会自动转成Xeon Phi专用代码。所以，理论上，基于Xeon Phi做一些底层的优化会比较容易。但是，机器学习大量的框架还是基于C++等语言编写的，纯C编写的非常少。另外，由于Xeon Phi比较新，业界也很少用于机器学习，因此各种各样的坑也比较多。

AMD的卡好歹支持OpenCL, 比Intel的Xeon Phi强多了。不过相比NVIDIA家的CUDA, OpenCL完全不是对手。由于NVIDIA投入深度学习领域较早，深度学习的大量标准库和框架都基于CUDA.

其次，看是否与cuDNN兼容。

基本上所有的深度学习库都使用cuDNN. 因此，确保购买的是Kepler系列以上的N卡，或者说，GTX 600以上级别的卡（警告：GTX 600虽然兼容cuDNN，但是很慢）。

然后，看带宽。

如上一节所说，GPU和CPU的关键差别在于内存带宽。因此，内存带宽是挑选GPU的重要因素。当然，不同系列的GPU因为架构不同，对内存带宽的利用率有所差异。但总的来说，内存带宽大致上还是一个很好的参考指标。

各代CPU和GPU的带宽比较

再次，看显存。

不同的深度学习任务对显存的要求是不一样的。

一般来说，3GB的显存是基本不够用的。6GB有点窘迫，但对某些应用来说也足够了。8GB的话，对于很多应用来说都够用了。对于图像和视频领域，显存是多一点好一点，可能需要带11GB或者12GB显存的显卡。

最后，看价格。

价格当然也是要考虑的，包括：

是否在预算范围内

性价比怎么样

入门深度学习，并不推荐动辄好几万的Tesla K40和Tesla K80这样的专业计算卡。这些专业计算卡是为科学运算设计的，科学计算需要很高的精度，因此这些专业计算卡比普通的消费级显卡贵很多。可是，深度学习对于计算精度的要求并不高。当然，如果你自控能力特别差，担心买了消费级显卡就沉迷游戏不可自拔的话，那还是咬咬牙买专业计算卡吧。

另外，如果你使用MacBook Pro作为开发平台的话，也可以考虑购买Thunderbolt接口的外置显卡。外置显卡与主机之间的通讯依赖Thunderbolt，带宽约20GB/s，对于深度学习来说足够了。

显卡推荐

如果你预算很低，或者你只打算尝试一下深度学习，那可以买GTX 1050 Ti（4GB版），1200人民币左右。4GB内存有点紧张，不过用来尝试深度学习还是可以的。甚至用来参加大多数Kaggle竞赛项目都没问题，只不过有些项目用这张卡的话你可能很难取得好成绩。

如果你预算较低，或者你打算深入学习深度学习，那可以买GTX 1060 （6GB），2千多人民币。很多应用，甚至包括参加Kaggle竞赛，都够用了。随着以后学习的深入，如果有更高需求，可以把这张卡卖掉，换更合适的卡。

如果你预算充足，或者你想在Kaggle竞赛中领先的话，推荐GTX 1080 Ti, 性能差不多是GTX 1050 Ti的3倍多，GTX 1060的2倍多。不过价格就比较高了，6千人民币左右。

根据你的具体应用，选择别的一些卡。比如，自然语言处理的某些应用，GTX 1070（3千人民币左右）也许够用了。再比如，视觉处理，可能需要售价过万的Titan Xp.

机器人网原创文章，未经授权禁止转载。详情见转载须知

本文来自机器人网，如若转载，请注明出处：https://www.jqr.com/news/008228