华盛顿大学的博士生Tim Dettmers长期维护了一篇博客，讨论深度学习各种场景最适合的GPU。

文章今天更新，结论如下（基于Google Translate略作调整）：

整体最佳GPU：RTX 3080和RTX 3090。

避免使用的GPU（作为个人使用）：任何Tesla卡；任何Quadro卡；任何Founders Edition卡； Titan RTX，Titan V，Titan XP。

经济高效但价格昂贵：RTX 3080。

经济高效且便宜：RTX 3070，RTX 2060 Super

我没钱了：买二手卡。不同价位选择：RTX 2070（$ 400），RTX 2060（$ 300），GTX 1070（$ 220），GTX 1070 Ti（$ 230），GTX 1650 Super（$ 190），GTX 980 Ti（6GB $ 150）。

我几乎没有钱：有很多初创公司推广他们的云：使用免费的云信用额度并切换公司帐户，直到您买得起GPU。

我要搞Kaggle比赛：RTX 3070。

我是竞争激烈的计算机视觉、预训练或机器翻译研究人员：4x RTX3090。等到具有良好散热效果的工作版本，并确认有足够的能力（我将更新此博客文章）。

我是NLP研究人员：如果不从事机器翻译、语言建模或任何形式的预训练，那么RTX 3080将足够且具有成本效益。

我刚开始搞深度学习，而且是认真的：从RTX 3070开始。如果您在6到9个月后仍然很认真，请出售RTX 3070并购买4倍RTX3080。具体取决于下一步选择的领域（启动，Kaggle ，研究，应用深度学习），出售您的GPU，并在大约三年后购买更合适的产品（下一代RTX 40s GPU）。

我想尝试深度学习，但我对此并不认真：RTX 2060 Super非常出色，但可能需要使用新的电源。如果您的主板有PCIe x16插槽并且您的电源约为300 W，那么GTX 1050 Ti是一个不错的选择，因为它不需要任何其他计算机组件即可与台式机一起使用。

用于少于128个GPU的并行模型的GPU群集：如果允许您为群集购买RTX GPU：66％8x RTX 3080和33％8x RTX 3090（仅在保证/确认有足够的散热的情况下）。如果RTX 3090s的散热不足，请购买33％的RTX 6000 GPU或8倍的Tesla A100。如果不允许您购买RTX GPU，我可能会选择8个A100 Supermicro节点或8个RTX 6000节点。

用于128个GPU并行模型的GPU集群：考虑8倍Tesla A100设置。如果使用超过512个GPU，则应考虑获得适合您规模的DGX A100 SuperPOD系统。

你同意他的结论吗？欢迎评论。

内容中包含的图片若涉及版权问题，请及时与我们联系删除