gpu算力比較
① GPU-Z最下排4個計算能力
DirectCompute:這個功能只有DX11顯卡和部分DX10.1顯卡才支持(我的HD4830支持)
OpenCL:比較新的技術,NVIDIA GTX200系列、ATI Radeon HD5000系列或更新的顯卡才支持
CUDA、PhysX:這兩個8600GT都應該支持啊,可能是驅動沒裝,或者是。。。假卡
② gpu計算能力1.0是什麼意思
計算能力是Nvidia公司在發布CUDA（統一計算架構，Compute Unified Device Architecture，一種對GPU進行編程的語言，類似於C語言對CPU進行編程）時提出的一個概念。因為顯卡本身是一個浮點計算晶元，可以作為計算卡使用，所以顯卡就具有計算能力。不同的顯卡具有不同的計算能力，為了以示區分，Nvidia就在不同時期的產品上提出了相應版本的計算能力x.x。計算能力1.0出現在早期的圖形卡上，例如，最初的8800 Ultras和許多8000系列卡以及Tesla C/D/S870s卡，與這些顯卡相應發布的是CUDA1.0。今天計算能力1.0已經被市場淘汰了。此後還有計算能力1.1，這個出現在許多9000系列圖形卡上。計算能力1.2與GT200系列顯卡一起出現，而計算能力1.3是從GT200升級到GT200 a/b修訂版時提出的。再往後還有計算能力2.0、2.1、3.0等版本。最新發布的版本是計算能力6.1，由最新的帕斯卡架構顯卡所支持，同時CUDA版本也更新到CUDA8.0。
對於普通用戶無需關心顯卡的計算能力，只有GPU編程人員在編寫CUDA程序，對GPU的計算進行開發時才關心這個問題。只要知道自己電腦所帶的顯卡型號就能查詢到相應的計算能力，這里貼上官方網址：https://developer.nvidia.com/cuda-gpus。
③ 小顧講堂：相同功耗的CPU和GPU哪個算力更強
相同功耗的，也就是常見百w以內的CPU和gpu，顯卡是gtx1050ti功耗75w，像gtx1060功耗130w，CPU可以是i7六核十二線程級別，還是CPU性能是專門用於數據處理的，性能相對較強，
如果排除功耗，高端獨顯晶元運算性能早就超過了CPU速度。
④ GPU雲計算平台哪家的算力比較強
上海世紀互聯新上線的GPU雲平台算力就很強，他們用的是NVDIA的DGX A100，是現目前市場上競爭力十分強的人工智慧伺服器，單台的算力就有5Peta Flops，多台組成集群的話，算力更加嚇人，比起市面上很多的雲平台都要強很多。
⑤ 有沒有人測過2400G的GPU算力是多少
2400g的vega沒有顯存，但凡此類集成顯卡，很多挖礦工具直接不能運行的，而且，就算能也沒有用，人家用rx560一台機器可以接至少6塊，而2400g根本不能多個一起用，一個2400g必須對應一塊主板，這個成本比顯卡挖高了非常多。
⑥ 聽說GPU 比CPU 計算能力強10倍以上,
看來NVIDIA忽悠了不少人啊。GPU計算圖形的能力是比CPU強，但是用電腦就光處理圖像？
⑦ 為什麼 gpu cpu 計算能力強
GPU和CPU負責的事情不同，所以GPU是不能替代CPU的。 GPU是一個圖形專用晶元，只處理圖形顯示與運算，不能替代CPU的綜合處理能力。 中央處理器（CPU，Central Processing Unit）是一塊超大規模的集成電路
⑧ 有ti的GPU計算能力是否比無ti的高
是的，英偉達在產品設計取型號的時候都是TI比無TI的性能要好，也可以通俗地說GPU處理能力強。有時候細節分析上有時候不帶TI的會好一些，例如下圖中的不太TI的加速頻率和基礎速率要好，但是整體性能來說帶TI的會好得多。
goshes-i信息化英偉達GTX顯卡TI性能比
⑨ 數據平台上的計算能力：哪些GPU更適合深度
NVIDIA GPU，AMD GPU還是Intel Xeon Phi?
用NVIDIA的標准庫很容易搭建起CUDA的深度學習庫，而AMD的OpenCL的標准庫沒這么強大。而且CUDA的GPU計算或通用GPU社區很大，而OpenCL的社區較小。從CUDA社區找到好的開源辦法和可靠的編程建議更方便。NVIDIA從深度學習的起步時就開始投入，回報頗豐。雖然別的公司現在也對深度學習投入資金和精力，但起步較晚，落後較多。如果在深度學習上採用NVIDIA-CUDA之外的其他軟硬體，會走彎路。
Intel的Xeon Phi上支持標准C代碼，而且要在Xeon Phi上加速，也很容易修改這些代碼。這個功能聽起來有意思。但實際上只支持很少一部分C代碼，並不實用。即使支持，執行起來也很慢。Tim曾用過500顆Xeon Phi的集群，遇到一個接一個的坑，比如Xeon Phi MKL和Python Numpy不兼容，所以沒法做單元測試。因為Intel Xeon Phi編譯器無法正確地對模板進行代碼精簡，比如對switch語句，很大一部分代碼需要重構。因為Xeon Phi編譯器不支持一些C++11功能，所以要修改程序的C介面。既麻煩，又花時間，讓人抓狂。執行也很慢。當tensor大小連續變化時，不知道是bug，還是線程調度影響了性能。舉個例子，如果全連接層（FC）或剔除層（Dropout）的大小不一樣，Xeon Phi比CPU慢。
預算內的最快GPU
用於深度學習的GPU的高速取決於什麼？是CUDA核？時鍾速度？還是RAM大小？這些都不是。影響深度學習性能的最重要的因素是顯存帶寬。GPU的顯存帶寬經過優化，而犧牲了訪問時間（延遲）。CPU恰恰相反，所用內存較小的計算速度快，比如幾個數的乘法（3*6*9）；所用內存較大的計算慢，比如矩陣乘法（A*B*C）。GPU憑借其顯存帶寬，擅長解決需要大內存的問題。
所以，購買快速GPU的時候，先看看帶寬。
⑩ 相同功耗的前提下，cpu和gpu哪個算力更強
也就是比性能/功耗唄。比這個，gpu遠勝cpu。當初正是因為cpu要把大量功耗和晶體管花在控制電路和cache上，gpu才會被做成獨立晶元，並進一步有gpgpu。