深度学习是机器学习的一个分支。深度学习通过深层神经网络自行寻找特征来解决问题，不同于传统方法需要告诉算法找什么样的特征。为获取数据的本质特征深度神经网络需要处理大量信息，一般有两种处理方式：CPU和GPU
先抛出三个问题：
1. 为什么深度学习需要使用GPU？
2. GPU的哪些性能指标最重要？
3. 如何选购GPU？
CPU or GPU:
CPU是基于延迟优化，更擅长快速获取少量的内存（5×3×7），GPU基于带宽优化，更擅长获取大量的内存（矩阵乘法A×B×C）。所以GPU的处理速度快得益于它可以高效的处理矩阵乘法和卷积，背后的原因是由高带宽的内存、多线程并行下的内存访问隐藏延迟、数量多且速度快的可调整的寄存器和L1缓存三大因素支撑。
下图是处理器内部结构图：
DRAM即动态随机存取存储器，是常见的系统内存。
Cache存储器：电脑中作高速缓冲存储器，是位于CPU和主存储器DRAM之间，规模较小，但速度很高的存储器。
算术逻辑单元ALU是能实现多组算术运算和逻辑运算的组合逻辑电路。
当采用深度学习进行网络训练需要对大数据做同样的事情时，GPU更合适，能够专注于大量并发的浮点数计算。
深度学习相关的GPU性能指标如下：
- 内存带宽：GPU处理大量数据的能力，是最重要的性能指标，指单位时间内数据的吞吐量。
- 处理能力：表示GPU处理数据的速度，可以量化为CUDA核数量和每一个核的频率的乘积。
- 显存大小：一次性加载到显卡上的数据量，运行计算机视觉模型显存越大越好。
Single GPU or Multi GPU：
- 单GPU
- 多GPU一般用于并行训练多个模型或者分布式训练单个模型。分布式训练或在多个显卡上训练单个模型的效率较低，但是此方法越来越受欢迎。主流的深度学习框架Tensorflow、Keras、PyTorch等都开放了分布式训练接口，分布式训练几乎可以随着GPU数量成线性的性能提升，比如两个GPU可以获得1.8倍的训练速度。
- 总而言之，GPU越多需要越快的处理器并需要更快的数据读取能力的硬盘
Nivda or AMD:
英伟达已经关注深度学习有一段时间，并取得了领先优势。他们的 CUDA 工具包具备扎实的技术水平，可用于所有主要的深度学习框架——TensorFlow、PyTorch、Caffe、CNTK 等。但截至目前，这些框架都不能在 OpenCL（运行于 AMD GPU）上工作。由于市面上的 AMD GPU 便宜得多，我希望这些框架对 OpenCL 的支持能尽快实现。而且，一些 AMD 卡还支持半精度计算，从而能将性能和显存大小加倍。AMD 发布的 ROCm 平台提供深度学习支持，它同样适用于主流深度学习库（如 PyTorch、TensorFlow、MxNet 和 CNTK）。但是ROCm 仍然在不断开发中，所以优先选择Nivda的显卡。
主流GPU的性能比较：
下图展示了每个GPU的RAM或内存带宽信息。
价格对比表明GTX1080Ti、GTX1070和GTX1060的性价比较高：
Titan XP 英伟达消费级显卡的旗舰产品，正如性能指标所述，12GB 的内存宣示着它并不是为大多数人准备的，只有当你知道为什么需要它的时候，它才会位列推荐列表。一块 Titan XP 的价格可以让你买到两块 GTX 1080，而那意味着强大的算力和 16GB 的显存。参数：
- 显存（VRAM）：12GB
- 内存带宽：547.7GB/s
- 处理器：3840个CUDA核心@1480MHz
- 官方价格：9700 RMB
GTX 1080 Ti 英伟达产品线里的高端显卡，拥有大容量显存和高吞吐量，GTX 1080 Ti 可以让你完成计算机视觉任务，并在 Kaggle 竞赛中保持强势。参数：
- 显存（VRAM）：11GB
- 内存带宽：484GB/s
- 处理器：3584个CUDA核心@1582MHz
- 单精度浮点性能：10.6-11.4TFLOPS
- 官方价格：4600 RMB
GTX 1080 英伟达产品线里的中高端显卡，8 GB 的内存对于计算机视觉任务来说够用了。大多数 Kaggle 上的人都在使用这款显卡。 参数：
- 显存（VRAM）：8GB
- 内存带宽：320GB/s
- 处理器：2560个CUDA核心@1733MHz
- 单精度浮点性能：8.2-8.9TFLOPS
- 官方价格：3600 RMB
GTX 1070 Ti 可以为你提供同样大的 8 GB 显存，以及大约 80% 的性能。参数：
- 显存（VRAM）：8GB
- 内存带宽：256GB/s
- 处理器：2432个CUDA核心@1683MHz
- 单精度浮点性能：7.8-8.2TFLOPS
- 官方价格：3000 RMB
GTX 1070 主要用于虚拟货币挖矿。它的显存配得上这个价位，就是速度有些慢。参数:
- 显存（VRAM）：8GB
- 内存带宽：256GB/s
- 处理器：1920个CUDA核心@1683MHz
- 单精度浮点性能：5.8-6.5TFLOPS
- 官方价格：2700 RMB
GTX 1060 相对来说比较便宜，但是 6 GB 显存对于深度学习任务可能不够用。如果你要做计算机视觉，那么这可能是最低配置。如果做 NLP 和分类数据模型，这款还可以。参数：
- 显存（VRAM）：6GB
- 内存带宽：216GB/s
- 处理器：1280个CUDA核心@1708MHz
- 官方价格：2000 RMB
GTX 1050 Ti 一款入门级 GPU。如果你不确定是否要做深度学习，那么选择这款不用花费太多钱就可以体验一下。参数:
- 显存（VRAM）：4GB
- 内存带宽：112GB/s
- 处理器：768个CUDA核心@1392MHz
- 官方价格：1060 RMB
备注：一个TFLOPS（teraFLOPS）等於每秒万亿（=10^12）次的浮点运算。
Nivda面向专业市场的Tesla GPU产品型号包括K40、K80、P100等，经过前人针对 GTX 1080 Ti 和 K40 的一些基准测试。1080Ti 的速度是 K40 的 5 倍，是 K80 的 2.5 倍。K40 有 12 GB 显存，K80 有 24 GB 的显存。P100 和 GTX 1080 Ti 应该性能差不多。但是性价比落后于桌面级 GPU故暂不推荐。