gpu算力比较
① GPU-Z最下排4个计算能力
DirectCompute:这个功能只有DX11显卡和部分DX10.1显卡才支持(我的HD4830支持)
OpenCL:比较新的技术,NVIDIA GTX200系列、ATI Radeon HD5000系列或更新的显卡才支持
CUDA、PhysX:这两个8600GT都应该支持啊,可能是驱动没装,或者是。。。假卡
② gpu计算能力1.0是什么意思
计算能力是Nvidia公司在发布CUDA（统一计算架构，Compute Unified Device Architecture，一种对GPU进行编程的语言，类似于C语言对CPU进行编程）时提出的一个概念。因为显卡本身是一个浮点计算芯片，可以作为计算卡使用，所以显卡就具有计算能力。不同的显卡具有不同的计算能力，为了以示区分，Nvidia就在不同时期的产品上提出了相应版本的计算能力x.x。计算能力1.0出现在早期的图形卡上，例如，最初的8800 Ultras和许多8000系列卡以及Tesla C/D/S870s卡，与这些显卡相应发布的是CUDA1.0。今天计算能力1.0已经被市场淘汰了。此后还有计算能力1.1，这个出现在许多9000系列图形卡上。计算能力1.2与GT200系列显卡一起出现，而计算能力1.3是从GT200升级到GT200 a/b修订版时提出的。再往后还有计算能力2.0、2.1、3.0等版本。最新发布的版本是计算能力6.1，由最新的帕斯卡架构显卡所支持，同时CUDA版本也更新到CUDA8.0。
对于普通用户无需关心显卡的计算能力，只有GPU编程人员在编写CUDA程序，对GPU的计算进行开发时才关心这个问题。只要知道自己电脑所带的显卡型号就能查询到相应的计算能力，这里贴上官方网址：https://developer.nvidia.com/cuda-gpus。
③ 小顾讲堂：相同功耗的CPU和GPU哪个算力更强
相同功耗的，也就是常见百w以内的CPU和gpu，显卡是gtx1050ti功耗75w，像gtx1060功耗130w，CPU可以是i7六核十二线程级别，还是CPU性能是专门用于数据处理的，性能相对较强，
如果排除功耗，高端独显芯片运算性能早就超过了CPU速度。
④ GPU云计算平台哪家的算力比较强
上海世纪互联新上线的GPU云平台算力就很强，他们用的是NVDIA的DGX A100，是现目前市场上竞争力十分强的人工智能服务器，单台的算力就有5Peta Flops，多台组成集群的话，算力更加吓人，比起市面上很多的云平台都要强很多。
⑤ 有没有人测过2400G的GPU算力是多少
2400g的vega没有显存，但凡此类集成显卡，很多挖矿工具直接不能运行的，而且，就算能也没有用，人家用rx560一台机器可以接至少6块，而2400g根本不能多个一起用，一个2400g必须对应一块主板，这个成本比显卡挖高了非常多。
⑥ 听说GPU 比CPU 计算能力强10倍以上,
看来NVIDIA忽悠了不少人啊。GPU计算图形的能力是比CPU强，但是用电脑就光处理图像？
⑦ 为什么 gpu cpu 计算能力强
GPU和CPU负责的事情不同，所以GPU是不能替代CPU的。 GPU是一个图形专用芯片，只处理图形显示与运算，不能替代CPU的综合处理能力。 中央处理器（CPU，Central Processing Unit）是一块超大规模的集成电路
⑧ 有ti的GPU计算能力是否比无ti的高
是的，英伟达在产品设计取型号的时候都是TI比无TI的性能要好，也可以通俗地说GPU处理能力强。有时候细节分析上有时候不带TI的会好一些，例如下图中的不太TI的加速频率和基础速率要好，但是整体性能来说带TI的会好得多。
goshes-i信息化英伟达GTX显卡TI性能比
⑨ 数据平台上的计算能力：哪些GPU更适合深度
NVIDIA GPU，AMD GPU还是Intel Xeon Phi?
用NVIDIA的标准库很容易搭建起CUDA的深度学习库，而AMD的OpenCL的标准库没这么强大。而且CUDA的GPU计算或通用GPU社区很大，而OpenCL的社区较小。从CUDA社区找到好的开源办法和可靠的编程建议更方便。NVIDIA从深度学习的起步时就开始投入，回报颇丰。虽然别的公司现在也对深度学习投入资金和精力，但起步较晚，落后较多。如果在深度学习上采用NVIDIA-CUDA之外的其他软硬件，会走弯路。
Intel的Xeon Phi上支持标准C代码，而且要在Xeon Phi上加速，也很容易修改这些代码。这个功能听起来有意思。但实际上只支持很少一部分C代码，并不实用。即使支持，执行起来也很慢。Tim曾用过500颗Xeon Phi的集群，遇到一个接一个的坑，比如Xeon Phi MKL和Python Numpy不兼容，所以没法做单元测试。因为Intel Xeon Phi编译器无法正确地对模板进行代码精简，比如对switch语句，很大一部分代码需要重构。因为Xeon Phi编译器不支持一些C++11功能，所以要修改程序的C接口。既麻烦，又花时间，让人抓狂。执行也很慢。当tensor大小连续变化时，不知道是bug，还是线程调度影响了性能。举个例子，如果全连接层（FC）或剔除层（Dropout）的大小不一样，Xeon Phi比CPU慢。
预算内的最快GPU
用于深度学习的GPU的高速取决于什么？是CUDA核？时钟速度？还是RAM大小？这些都不是。影响深度学习性能的最重要的因素是显存带宽。GPU的显存带宽经过优化，而牺牲了访问时间（延迟）。CPU恰恰相反，所用内存较小的计算速度快，比如几个数的乘法（3*6*9）；所用内存较大的计算慢，比如矩阵乘法（A*B*C）。GPU凭借其显存带宽，擅长解决需要大内存的问题。
所以，购买快速GPU的时候，先看看带宽。
⑩ 相同功耗的前提下，cpu和gpu哪个算力更强
也就是比性能/功耗呗。比这个，gpu远胜cpu。当初正是因为cpu要把大量功耗和晶体管花在控制电路和cache上，gpu才会被做成独立芯片，并进一步有gpgpu。