如果使用Quadro GPU与GeForce GPU，TensorFlow性能是否有明显差异？
e.g。它是否使用双精度操作或其他会导致GeForce卡掉落的东西？
我即将为TensorFlow购买GPU，并想知道GeForce是否可以。谢谢，感谢您的帮助
答案 0 :(得分：33)
我认为GeForce TITAN很棒，并且广泛用于机器学习（ML）。在ML中，在大多数情况下单精度就足够了。
有关GTX系列（目前是GeForce 10）性能的更多细节可以在维基百科here找到。
网络上的其他来源支持此声明。这是引用from doc-ok in 2013（permalink）。
相比之下，“入门级”700美元的Quadro 4000显着低于530美元的高端GeForce GTX 680，至少根据我使用多个Vrui应用的测量结果，以及最接近GeForce GTX 680的性能我能找到一款价格高达3660美元的Quadro 6000。
具体到ML，包括深度学习，有一个Kaggle forum discussion dedicated to this subject（2014年12月，permalink），它超越了Quadro，GeForce和特斯拉系列之间的比较：
Quadro GPU不适用于科学计算，特斯拉GPU也是如此。的Quadro 卡片是为加速CAD而设计的，因此它们无法帮助您 训练神经网络。它们可能只是用于此目的 很好，但这是浪费钱。
特斯拉卡用于科学计算，但它们往往很漂亮 昂贵。好消息是特斯拉提供的许多功能 GeForce卡上的卡不是训练神经网络所必需的。例如，特斯拉卡通常具有ECC内存，这很好 有但不是要求。他们也有更好的支持 双精度计算，但单精度很多 神经网络训练，它们的表现与GeForce大致相同 卡片。
特斯拉卡的一个有用功能是它们往往有很多 比同类GeForce显卡更多的RAM。如果，总是欢迎更多RAM 你计划训练更大的模型（或使用RAM密集型 计算如基于FFT的卷积。）
如果您在Quadro和GeForce之间进行选择，请务必选择 的GeForce。如果您选择特斯拉和GeForce，请选择GeForce， 除非你有很多钱并且真的可以使用额外的RAM。
注意：请注意您正在使用的平台以及默认精度。例如，here in the CUDA forums（2016年8月），一个开发者拥有两个Titan X（GeForce系列），并且没有看到任何R或Python脚本的性能提升。这被诊断为R被默认为双精度，并且在新GPU上的性能比其CPU（Xeon处理器）更差。特斯拉GPU被认为是双精度的最佳性能。在这种情况下，将所有数字转换为float32可将性能从12.437增加到nvBLAS 0.324s，并在一个TITAN X上使用gmatrix + float32s（参见第一个基准）。引用此论坛讨论：
Titan X的双精度性能相当低。