閑置顯卡gpu算力賺錢

⑴ 求助一下，買顯卡，主要是利用GPU 跑深度學習數據

跑深度, 主要靠單精度浮點計算能力：
不缺錢上GTX TiTanX
缺錢就雙路GTX1070
TITAN X PACAL：11T
GTX1080：8.9T
GTX1070：6.5T

⑵ 游戲時 CPU 閑置率這么高，為什麼不用來輔助顯卡

游戲時 CPU 閑置率這么高，不用來輔助顯卡。兩者的功能是不同的，不能輔助。

游戲的高空閑率是因為過去CPU的SIMD性能不好，導致浮點運算能力明顯低於GPU，所以給GPU分配了適合並行的負載，導致CPU沒有太高的並行負載，而游戲中較老的圖形api部署cpu進行密集計算的難度也很高，但目前cpu的simd性能有了很大的提高，avx/avx2的應用也相對成熟。利用cpu的內存訪問優勢，即使理論浮點峰值不高，但對處理分支、邏輯和密集計算的混合負載具有很好的適應性。

恐怕在日常生活中我感覺不到CPU對顯卡的拖累，但我還是需要注意CPU和顯卡之間的平衡。除了游戲，越來越多的專業軟體對CPU也有很高的要求。

⑶ 近期GPU的勢頭很火，有說法稱將來的計算機只要有一顆GPU就可以了CPU將必定被GPU淘汰，此說法屬實嗎

以下這兩種是自電腦3D誕生以來就存在而且短時間內不可能互相代替的產品。
GPU=GraphicProcessingUnit=圖形處理器=顯卡
CPU=CentralProcessingUnit=中央處理器
現階段GPU和CPU分工於完全不同的兩個功能，即使現在GPU的計算能力超過了CPU，但是系統無法在其架構上運行，代替什麼的就都是扯談，超級電腦使用大量GPU也只是為了提高計算能力，其核心部分還是由CPU組成的。

APU=AcceleratedProcessingUnit=加速處理器
是AMD將顯卡核心集成於CPU的產品，他的顯卡核心是完全獨立的。

再說一下INTEL的核顯，Intel希望未來集成在CPU內部的GPU可以和CPU共用一部分匯流排資源，甚至未來融合之後共用物理晶體管資源，這樣CPU就和GPU就合二為一了。

另外，APU是CPU集顯，沒有核顯這個說法，請某些人自重！

⑷ 挖礦，躺著賺錢，挖礦為什麼要用顯卡

顯卡使用的GPU進行的是通用計算。因此可以堆疊成百上千個流處理器，每一個流處理器就像是小小的CPU，雖然其運行復雜程序的能力遠遠沒有CPU來的給力，但是架不住流處理器多，因此實際性能尤其是單精度浮點性能要比CPU強的多。挖包括比特幣之內的動作大家可以認為是利用顯卡在做不斷地通用計算，並且這個計算復雜度比較低而且相當重復，顯卡使用的流處理器正好適合這樣的演算法。

⑸ 顯卡gpu利用率高好還是低好，在不玩游戲的情況下

有使用就有損耗
就相當於人勞動，參加活動，適當的活動是好的，經常大負荷的運動就不好
偶爾適當的佔用是好事，經常佔用高就會發熱更高，加速老化
偶爾的佔用會減少硬體受潮的可能

⑹ 閑置顯卡處理,不想賣。

你一張N卡一張A卡還想交火？想多了
交火是說2張A卡同時使用，一般最好相同型號
N卡同理，SLI技術，比如兩個1080那就666了，
一樣一張洗洗睡吧，如果不想浪費可以組個二號機

⑺ 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？

⑻ 顯卡算力多少一天才能挖到一個比特幣

21.5*3600秒*24小時=1857600m/天
1857600/1024/1024=1.7715t/天
一T算力/天可以挖價值4.03元比特幣
1.7715*4.03=7.14元一天

2017年以來，比特幣連創新高，昨天（5月23日），比特幣價值突破￥16000的大關，炒作虛擬貨幣，成為普羅大眾都可以參與的事情，而稍微有點技術水平的，則既炒幣，同時也開始了有技術含量的挖礦之行。

眾所周知，虛擬貨幣都有一個數值頂峰，越往後就越難挖。持續挖下去，到底虧不虧本，其實都很難判斷。因此到底怎麼挖、挖什麼才能最快的回本，本文就以目前的市場行情來對以上兩個核心問題進行研究。

⑼ 淘寶維修顯卡要長個心眼 前幾天我郵寄顯卡維修，對方說gpu壞了，要更換要360元 我要求

哈哈哈哈 更換相當於你拿錢買了個新的換上，舊的也是屬於你，他憑什麼不給你郵寄回來。

⑽ 請問各位大神 現在總說cuda什麼的好 銷售人員也總說顯卡有cuda 怎麼怎麼樣的 cuda到底是什麼 有啥好處

CUDA有兩個含義。

一是指CUDACore。即CUDA核心，NVIDIA顯卡從Fermi架構起開始採用，Kepler架構亦沿用。CUDA核心是架構中最核心部分也是數量占絕對優勢的部分，其實際上就是一個ALU，習慣上也可以叫做流處理器，是N卡的最基本運算單元。Fermi架構通常每組SM單元包含48個CUDACore，而Kepler架構每組SMX則包含192個。CUDACore的數量規模從根本上直接決定顯卡的運算規模，也直接影響顯卡的性能。GPU-Z中N卡的「著色器數量」（Shaders）里的數值即為CUDA核心的數量（注意僅限於Fermi和Kepler架構）。下面簡單附上一張GK104核心剖析圖，圖中每個綠色小方塊都代表一個CUDA核心。想要深入了解CUDA核心的工作原理還需要理解架構原理，這里不再介紹。

二是指CUDA環境，CUDA全稱，是NVIDIA推行的一種通用計算架構，與OpenCL、DirectCompute等一樣也是API的一種，基於C語言開發，特別針對CUDA核心架構的GPU開發，包含了多種先進的通用技術技術，例如並行架構等等。程序開發人員可以利用CUDA平台實現NVIDIA顯卡的通用計算，利用GPU來參與大規模運算。

CUDA計算多用於專業領域，消費級市場應用不大。銷售人員藉此概念玩懸乎罷了。