nividaGPU算力
1. hd7970和丽台k2000那个GPU计算能力高一些
你要做什么计算处理啊？K2000是Nvidia
Quadro系列绘图卡，不是专业计算卡，Tesla系列才是。
而Nvidia全系列显卡都支持CUDA，都可以做通用计算。HD
7970的GCN架构在双精浮点运算方面现在确实是比Kepler好，但AMD的Stream通用计算开发远不如CUDA成熟。
性能方面，AMD系列的GPU好一些，我指的是双精；但程序开发方面，Nvidia的GPU更有优势。
挖矿就选AMD显卡吧，并发密集度高一些。
2. GPU的浮点运算能力为什么会如此恐怖
它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA™的处理器上以超高性能运行。 将来还会支持其它语言，包括FORTRAN以及C++。
随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像计算以外的目的。
目前只有G80、G92、G94和GT200平台的NVidia显卡才能使用CUDA，工具集的核心是一个C语言编译器。G80中拥有128个单独的ALU，因此非常适合并行计算，而且数值计算的速度远远优于CPU。
CUDA的SDK中的编译器和开发平台支持Windows、Linux系统，可以与Visual Studio2005集成在一起。
目前这项技术处在起步阶段，仅支持32位系统，编译器不支持双精度数据等问题要在晚些时候解决。Geforce8CUDA（Compute Unified Device Architecture）是一个新的基础架构，这个架构可以使用GPU来解决商业、工业以及科学方面的复杂计算问题。它是一个完整的GPGPU解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。
在架构上采用了一种全新的计算体系结构来使用GPU提供的硬件资源，从而给大规模的数据计算应用提供了一种比CPU更加强大的计算能力。CUDA采用C语言作为编程语言提供大量的高性能计算指令开发能力，使开发者能够在GPU的强大计算能力的基础上建立起一种效率更高的密集数据计算解决方案。
3. 怎么能知道Nvidia的显卡哪个计算能力强
N卡显卡设置有 高性能、性能、质量、高质量 .4个选项，这4个选项由高到低，代表什么肯定是大家疑惑的地方，
高性能代表的是，不需要图形效果能玩就行，就牺牲画面效果换取3D流畅度，高质量代表的是，跟性能刚好相反，就是为了更好的画面效果牺牲流畅性
默认就是高性能，N卡驱动一直做的很好，就是N卡普遍做法就是牺牲画面换取流畅度，
看你是个低端显卡，建议默认就好，默认就是牺牲画面，起码可以玩，这个做法也是可取的
4. 为什么出现您当前未使用连接到NVIDIA GPU的显示器
卸载显卡驱动程序，重启电脑，到Nvidia官网下载最新的支持Win8x64的驱动程序，安装过程中只安装图形驱动，不要安装其他的组件，在启动项中找到被禁止启动的『因为打显卡的管理启动程序』，将其恢复启动即可。之后即便是重启，这样就好了。
1999年，NVIDIA定义了GPU，这极大地推动了PC游戏市场的发展，重新定义了现代计算机图形技术，并彻底改变了并行计算。 2017年6月，入选《麻省理工科技评论》“2017 年度全球50大最聪明公司”榜单。
NVIDIA公司专门打造面向计算机、消费电子和移动终端，能够改变整个行业的创新产品。这些产品家族正在改变视觉丰富和运算密集型应用例如视频游戏、电影产业、广播、工业设计、财政模型、空间探索以及医疗成像。此外，NVIDIA致力于研发和提供引领行业潮流的先进技术，包括NVIDIA SLI技术——能够灵活地大幅提升系统性能的革命性技术和NVIDIA PureVideo高清视频技术。
5. 笔记本电脑屏幕显示NVIDIAgpu活动5个程序什么意思
这个只是一个辅助性的软件图标，旨在提示当年GPU是否牌工作状态。可以关闭。
6. nvidia GPU和高性能NVIDIA又什么区别
NVIDIA GPU指的是NVIDIA设计的所有芯片涵盖所有型号
NVIDIA 高性能GPU则代表高性能产品，和低性能GPU区分
7. NVIDIA(英伟达)GPU能提高运算速度多少倍
NVIDIA的GPU核心频率和448流处理单元是两种不同的性质，一个是控制处理频率值上限，流处理单元是负责即时渲染和着色器性能的，流处理单元数量越多，处理一些高质量的画面的速度就越快，从而帧速也就能提上去了，而核心频率是控制着GPU工作值的范围大小，频率越高，GPU的负荷就越大！不是有很多种显卡超频软件么，就是把显卡的核心频率加上去，加了以后性能也会提升，可是散发的热量会强了很多，容易导致烧坏显卡，好的显卡和差的显卡原因就在于元件的质量，这就好比核心频率是水压，显卡就像水管，好的水管能承受差的水管数倍的水压，差的水管如果承受高水压就会爆裂！所以好的显卡核心频率高，差的只能控制在低频里。
GPU只是一块芯片，你不是显卡生产厂商买了芯片也没作用。再说GPU是处理显像数据的，CPU是处理程序数据，两者并没有关连，但是也不能差距太大，想发挥好这块448流处理单元的显卡，买个I5三代或I7、AMD800元以上的CPU是应该的
8. 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。
9. 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。
10. Nvidia显卡可以用来挖矿吗哪个型号的卡划算
显卡可以挖eth以太坊，挖矿效率由显卡算力决定，目前算力最高的显卡是RTX3090。算力性价比最高的显卡是RTX3060Ti，但是性价比仅限于原价显卡，现在的显卡已经没有原价的了，原价3000的RTX3060Ti现在已经6000多了，而且还很难买到。