Le choix entre les GeForce ou Quadro pour faire l'apprentissage de la machine via TensorFlow

Est-il une différence notable dans TensorFlow performances en cas d'utilisation de Gpu Quadro vs Gpu GeForce?

par exemple, faut-il utiliser les opérations à double précision ou quelque chose d'autre qui serait la cause d'une baisse de cartes GeForce?

Je suis sur le point d'acheter un GPU pour TensorFlow, et je voulais savoir si une carte graphique GeForce serait ok. Merci et vous remercie de votre aide

  • C'est 100% pas d'opinion fondée.
  • Cette question n'est pas une opinion fondée, tensorflow est une application spécifique et il y a des différences matérielles entre ces cartes. La question même des points à l'une des principales différences et se demande si la bibliothèque de programmation utilise cette technologie.
InformationsquelleAutor user2771184 | 2016-01-11
  1. 34

    Je pense que la GeForce TITAN est grand et il est largement utilisé dans l'Apprentissage de la Machine (ML). En ML, simple précision est suffisante dans la plupart des cas.

    Plus de détails sur les performances de la GTX ligne (actuellement GeForce 10) peut être trouvé dans Wikipedia, ici.

    D'autres sources sur le web l'appui de cette prétention. Voici une citation de doc-ok en 2013 (permalien).

    À des fins de comparaison, un “niveau d'entrée” $700 Quadro 4000 est nettement plus lent qu'un $530 haut de gamme GeForce GTX 680, au moins d'après mes mesures à l'aide de plusieurs Vrui applications, et le plus proche de la performance-l'équivalent d'une GeForce GTX 680 j'ai pu trouver est un Quadro 6000 pour la modique somme de 3660.

    Spécifiques à ML, y compris l'apprentissage en profondeur, il y a un Kaggle forum de discussion dédié à ce sujet (Déc 2014, permalien), qui va au-dessus des comparaisons entre les Quadro, GeForce, et Tesla série:

    Gpu Quadro ne sont pas pour le calcul scientifique, Tesla Gpu sont. Quadro
    les cartes sont conçues pour l'accélération de la CAD, de sorte qu'ils ne seront pas vous aider à
    former des réseaux de neurones. Ils peuvent sans doute être utilisé à cette fin seulement
    bien, mais c'est un gaspillage d'argent.

    Tesla cartes pour le calcul scientifique, mais ils ont tendance à être assez
    cher. La bonne nouvelle est que la plupart des fonctionnalités offertes par Tesla
    cartes GeForce cartes ne sont pas nécessaires pour former des réseaux de neurones.

    Par exemple, Tesla cartes ont généralement de la mémoire ECC, ce qui est agréable à
    mais pas une exigence. Ils ont aussi un soutien beaucoup mieux pour
    double précision des calculs, mais de simple précision est beaucoup pour
    réseau de neurones de la formation, et ils effectuent environ la même que la GeForce
    cartes de pour que.

    Une fonctionnalité utile de Tesla cartes, c'est qu'ils ont tendance à avoir beaucoup
    plus de RAM que comparable cartes GeForce. Plus de RAM est toujours la bienvenue si
    vous êtes planification pour former de plus gros modèles (ou utiliser RAM-intensif
    les calculs comme la FFT à base de circonvolutions).

    Si vous devez choisir entre Quadro et GeForce, certainement reprendre
    GeForce. Si vous avez le choix entre Tesla et GeForce, choisissez GeForce,
    sauf si vous avez beaucoup d'argent et ne pouvait vraiment utiliser la RAM supplémentaire.

    REMARQUE: faire attention à ce que la plate-forme et la précision par défaut est en elle. Par exemple, ici, dans le CUDA forums (août 2016), un développeur et propriétaire de deux Titan X (GeForce de la série) et ne voit pas un gain de performance dans leurs R ou de scripts Python. C'est diagnostiquée comme un résultat de la R étant par défaut en double précision, et a une moins bonne performance sur les nouveaux GPU que leur CPU (un processeur Xeon). Tesla Gpu sont cités comme étant les meilleures performances pour la double précision. Dans ce cas, la conversion de tous les nombres à float32 augmente les performances de 12.437 s avec nvBLAS 0.324 s avec gmatrix+float32s sur un TITAN X (voir le premier point de repère). Citant ce forum de discussion:

    Double précision les performances de Titan X est assez faible.

    • "Les Gpu Quadro ne sont pas pour le calcul scientifique, Tesla Gpu sont les" +1
    • oui, certainement le Titan X ou la nouvelle 1080 tli
    • mais les quadros de 24 go de mémoire graphique, ce qui serait formidable pour l'avenir de l'apprentissage en profondeur des modèles. Pourquoi n'est pas quelqu'un mentionner que? ou est-elle si lente que sa ne vaut pas la peine du tout
    • Ouais, à savoir la vitesse-sage de la quadro est pas aussi bon, mais le plus souvent le facteur limitant pour l'apprentissage en profondeur des modèles est la quantité de données que vous pouvez farcir dans la mémoire de la carte graphique. Ne faut-il pas plus lent GPU qui peut traiter plus grande formation de lot train le plus rapide?
    • Codeur N'est pas entièrement d'accord. Ce qui importe est la puce qui est souvent exactement le même entre tesla, quadro ou GeForce. Seul avantage d'une Tesla pourrait avoir plus de RAM et de mémoire RAM ECC.
    InformationsquelleAutor Patric