这不是一个不合理的问题。 Nvidia和ATI架构不同，足以让某些任务（比如比特币挖掘）ATI比Nvidia好得多。
神经网络相关处理也是如此。我试图在这样的背景下找到2个GPU品牌的比较，但未能这样做。
我的期望是GPU中神经网络处理最重要的是核心数量。这是对的吗？
答案 0 :(得分：8)
几乎所有使用GPU的ML软件都可以（最好）使用CUDA，因此Nvidia的GPU更受欢迎。
看看this discussion。并且，有一篇关于which GPU to get for deep learning（现代神经网络）的文章。相关报价：
那么我应该得到什么样的GPU？ NVIDIA还是AMD？
NVIDIA的标准库使得在CUDA中建立第一个深度学习库非常容易，而AMD的OpenCL没有这样强大的标准库。目前，AMD卡还没有很好的深度学习库 - 所以NVIDIA就是这样。即使将来有一些OpenCL库可供使用，我也会坚持使用NVIDIA：事实上，GPU计算或GPGPU社区对于CUDA来说非常大，而对于OpenCL来说则相当小。因此，在CUDA社区，您可以随时获得良好的开源解决方案和可靠的编程建议。
NVIDIA摇滚的原因是他们投入了大量精力支持科学计算（例如，见cuDNN。这意味着他们承认该领域并试图转向这些应用程序。）
因此，NVIDIA拥有大量GPU。你应该得到哪一个？
简短回答，基于上面引用的文章（我强烈建议阅读！）：GTX 980。
实际上，核心数量并不重要。 GPU没有大量内存，因此与主机（您的RAM）的通信是不可避免的。所以重要的是板载内存的数量（以便您可以加载和处理更多）和带宽（这样您就不会花费大量时间等待。）