1樓：匿名使用者
個人覺得，這個課題，可以通過實踐去驗證……
分別用cpu和gpu進行一下試驗，看看哪個效果好……效果更好的，就是最佳的選擇……
2樓：熱過火啊
不是很瞭解你的計算需求，不過從效率來說。目前用gpu的效率好過cpu幾倍。看你資料量 1660ti不太適合這種應用場景。視訊記憶體不夠的可能性肯定存在。建議試下。不行再加記憶體
希望對你有所幫助。不懂繼續問，滿意請採納
3樓：蜀中諸葛暗
現在做深度學習可以採用雲端計算資源，多種顯示卡（特斯拉p4 p40 p100 2080ti t4）多種預裝環境（cuda，tensorflow python）可以選擇，而且隨用隨開就行，一小時幾元錢，滴滴打車現在也做雲gpu，用過幾次挺不錯的https://i.didiyun.
***/2blhvrc4m6a
4樓：匿名使用者
深度學習看你是初學的還是複習的，初學的一般對cpu顯示卡都不是要求特別高，如果是複習大型的深度學習哪吃gpu顯示卡相當厲害，比如，麗臺tesla p100 12g深度學習機器學習gpu加速卡，40000塊，所以為什麼有專門的深度學習顯示卡就說明gpu給cpu更重要，
深度學習用cpu訓練和用gpu訓練有什麼區別
5樓：課文你來說
（1）cpu主要用於序列運算；而gpu則是大規模並行運算。由於深度學習中樣本量巨大，引數量也很大，所以gpu的作用就是加速網路運算。
（2）cpu算神經網路也是可以的，算出來的神經網路放到實際應用中效果也很好，只不過速度會很慢罷了。而目前gpu運算主要集中在矩陣乘法和卷積上，其他的邏輯運算速度並沒有cpu快。
2、深度學習
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。
深度學習是機器學習中一種基於對資料進行表徵學習的方法。觀測值（例如一幅影象）可以使用多種方式來表示，如每個畫素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。
使用神經網路訓練，一個最大的問題就是訓練速度的問題，特別是對於深度學習而言，過多的引數會消耗很多的時間，在神經網路訓練過程中，運算最多的是關於矩陣的運算，這個時候就正好用到了gpu，gpu本來是用來處理圖形的，但是因為其處理矩陣計算的高效性就運用到了深度學習之中。
6樓：匿名使用者
gpu概念
gpu英文全稱graphic processing unit，中文翻譯為「圖形處理器」。gpu是相對於cpu的一個概念，由於在現代的計算機中（特別是家用系統，遊戲的發燒友）圖形的處理變得越來越重要，需要一個專門的圖形的核心處理器。
gpu的作用
gpu是顯示卡的「大腦」，它決定了該顯示卡的檔次和大部分效能，同時也是2d顯示卡和3d顯示卡的區別依據。2d顯示晶片在處理3d影象和特效時主要依賴cpu的處理能力，稱為「軟加速」。3d顯示晶片是將三維影象和特效處理功能集中在顯示晶片內，也即所謂的「硬體加速」功能。
顯示晶片通常是顯示卡上最大的晶片（也是引腳最多的）。現在市場上的顯示卡大多采用nvidia和ati兩家公司的圖形處理晶片。
於是nvidia公司在2023年釋出geforce 256圖形處理晶片時首先提出gpu的概念。gpu使顯示卡減少了對cpu的依賴，並進行部分原本cpu的工作，尤其是在3d圖形處理時。gpu所採用的核心技術有硬體t&l、立方環境材質貼圖和頂點混合、紋理壓縮和凹凸對映貼圖、雙重紋理四畫素256位渲染引擎等，而硬體t&l技術可以說是gpu的標誌。
簡單說gpu就是能夠從硬體上支援t&l（transform and lighting，多邊形轉換與光源處理）的顯示晶片，因為t&l是3d渲染中的一個重要部分，其作用是計算多邊形的3d位置和處理動態光線效果，也可以稱為「幾何處理」。一個好的t&l單元，可以提供細緻的3d物體和高階的光線特效；只不過大多數pc中，t&l的大部分運算是交由cpu處理的（這就也就是所謂的軟體t&l），由於cpu的任務繁多，除了t&l之外，還要做記憶體管理、輸入響應等非3d圖形處理工作，因此在實際運算的時候效能會大打折扣，常常出現顯示卡等待cpu資料的情況，其運算速度遠跟不上今天覆雜三維遊戲的要求。即使cpu的工作頻率超過1ghz或更高，對它的幫助也不大，由於這是pc本身設計造成的問題，與cpu的速度無太大關係。
關於cpu和gpu的相關問題
第一個問題：
gpu的競爭遠比cpu的競爭來得激烈。通用pc的cpu就只有英特爾和amd兩家大廠。而在gpu方面領先的是n記和a記兩家廠商，但能生產中低端產品的還有英特爾、3s等好幾家廠商。
它們的產品雖然不如前兩家，但在很多應用方面也能滿足使用者的需要，所以n記和a記只有拼命往前跑才不會死掉。cpu廠商沒有采用gpu的先進工藝是因為cpu廠商都有自己投資的生產線，不可能一下把原來的生產線都淘汰了上新的生產線，那樣做可能連當初投入的資金都難以收回。而gpu廠商由於種種原因，一般都是自己設計由別人代工的，比如找臺積電代工。
代工廠商為了能接到業務，只有不停升級自己的生產裝置，這樣才能生存下來。所以造成以上原因。
第二個問題
就如你所說的一樣，cpu除了處理遊戲的ai，情節等方面的資料外，對於有些影象方面也是由它完成的。當微軟每次釋出新的dx時，並不是每款gpu都能支援dx新的特性，所以有些影象方面的任務還得由cpu來完成。還有有些特性比如重力特性以前是由cpu來完成，現在有些gpu也能支援了，這些任務就由gpu來完成了。
第三個問題
gpu相當於專用於影象處理的cpu，正因為它專，所以它強，在處理影象時它的工作效率遠高於cpu，但是cpu是通用的資料處理器，在處理數值計算時是它的強項，它能完成的任務是gpu無法代替的，所以不能用gpu來代替cpu。
另外現在amd收購了a記顯示卡晶片的設計廠商，amd看到今後cpu和gpu只有走一條融合的道路才能地競爭中佔得先機。cpu和gpu如何配合默契才能最大地提高工作效率是amd現在考慮的問題，也是英特爾的問題。
第四個問題
微軟釋出windows7 其中一個顯著特性就是 聯合gpu和cpu的強大實力，提升gpu在硬體使用的價值，在windows7中，cpu與gpu組成了協同處理環境。cpu運算非常複雜的序列**，而gpu則執行大規模並行應用程式。微軟利用directx ***pute將gpu作為作業系統的核心組成部分之一。
directx ***pute。它讓開發人員能夠利用 gpu的大規模平行計算能力，創造出引人入勝的消費級和專業級計算應用程式。簡單的說，directx ***pute就是微軟開發的gpgpu通用計算介面，欲統一gpu通用計算標準。
也就是說windows7 以後gpu的硬體地位將僅次於cpu，發揮出更大的效用。
用gpu和cpu伺服器深度學習，哪個合算？
7樓：ai撲社
gpu合算
cpu擅長邏輯控制，序列的運算。
gpu擅長的是大規模併發計算。
gpu的工作大
部分計算量大，但沒什麼技術含量，而且要重複很多很多次。gpu用很多簡單的計算單元去完成大量的計算任務，純粹的人海戰術。
8樓：隨風而至喵小姐
如果是深度學習，那麼gpu的效能和**更好，比如這款配置了nvdia rtgeforce rtx 2080 ti的gpu計算卡，也才兩w，價效比很高
產品型號：za1p2s8-16897-tc2產品型別：單路十六核塔式gpu計算伺服器
處 理 器：threadripper 2950x內 存：64g ddr4
硬 盤：ssd nvme m.2 512g網 卡：雙千兆
管 理：硬體監控、遠端管理
機 構：塔式
電 源：1250w
作業系統：linux免費版 / vmware esxi服 務：全國聯保 叄年質保
9樓：太陽島
cpu是一個有多種功能的優秀領導者。它的優點在於排程、管理、協調能力強，計算能力則位於其次。而gpu相當於一個接受cpu排程的「擁有大量計算能力」的員工。
當需要對大資料bigdata做同樣的事情時，gpu更合適，當需要對同一資料做很多事情時，cpu正好合適。
gpu能做什麼？關於圖形方面的以及大型矩陣運算，如機器學習演算法等方面，gpu就能大顯身手。
簡而言之，cpu擅長統領全域性等複雜操作，gpu擅長對大資料進行簡單重複操作。cpu是從事複雜腦力勞動的教援，而gpu是進行大量平行計算的體力勞動者。
深度學習是模擬人腦神經系統而建立的數學網路模型，這個模型的最大特點是，需要大資料來訓練。因此，對電腦處理器的要求，就是需要大量的並行的重複計算，gpu正好有這個專長。
10樓：博百優小
說道經濟實惠，那肯定租用gpu伺服器更靠譜。硬體配置不太懂，不過我的**是室友推薦的易學智慧上租的gpu跑的，比自己組裝肯定是要划算，當然小白也不會弄硬體方面。整體來說，租用還是方便，適合我這樣的小白上手。
個人意見僅供參考，大神勿噴。
cpu和gpu跑深度學習差別有多大
11樓：匿名使用者
gpu 的架構與 cpu 很不一樣。首先，gpu 並不具備多功能性。其次，與消費級 cpu 個位數的核心數目不同，消費級的 gpu 通常有上千個核心——特別適合處理大型資料集。
由於 gpu 在設計之初有且只有一個目的：最大化平行計算。每一代製程縮減直接帶來更多的核心數量（摩爾定律對於 gpu 更明顯），意味著 gpu 每年有大約 40% 的效能提升。
gpu適合深度學習的三大理由（按重要程度排序）：高寬頻的記憶體；多執行緒並行下的記憶體訪問隱藏延遲；數量多且速度快的可調整的暫存器和l1快取。
深度學習之中使用神經網路訓練，一個最大的問題就是訓練速度的問題，特別是對於深度學習而言，過多的引數會消耗很多的時間，在神經網路訓練過程中，運算最多的是關於矩陣的運算，這個時候就正好用到了gpu，gpu本來是用來處理圖形的，但是因為其處理矩陣計算的高效性就運用到了深度學習之中。
用GPU和CPU伺服器深度學習，哪個合算
gpu合算 cpu擅長邏輯控制，序列的運算。gpu擅長的是大規模併發計算。gpu的工作大 部分計算量大，但沒什麼技術含量，而且要重複很多很多次。gpu用很多簡單的計算單元去完成大量的計算任務，純粹的人海戰術。如果是深度學習，那麼gpu的效能和 更好，比如這款配置了nvdia rtgeforce rt...
學習理科好還是文科好
文科的社會實用性比理科要強，理科的技術專業性比文科要強。你要明白，如果你將來不是要從事科學技術方面的研究，那麼理科學的高等的很多知識你在未來的生活中是不經常用到的。他鍛鍊的是你分析問題的能力，鍛鍊的是你邏輯推理的能力。而文科呢，語文的寫作，英語的水平，以及政治的覺悟，歷史的瞭解，這些都是生活常識所必...
電腦CPU賽揚1 60好還是奔3 00好
賽揚是低端cpu，低功耗低電壓的，效能是比不上奔騰的，就算是同頻率的也才是奔騰運算能力的一半多點 如果是老的p4就比不過新的賽揚e，畢竟工藝和步進都進化了 p4只有單核的，那是超執行緒ht搞出來的模擬雙核，在硬體管理器是看到2個cpu的 功耗這些看具體型號的，同一款cpu可能有好幾種核心類別和工藝步...