amd显卡跑人工神经网络,amd显卡能跑神经网络吗

深度学习显卡用amd还是英伟达

深度学习显卡用英伟达比较好。NVIDIA使用的人较多，所以网上的资源也比较多，容易学习和构建。而AMD的显卡，由于很迟才推出它的编程架构，用的人比较少，所以网上的资料较少，所以很难去学习。

NVIDIA 在深度学习训练方面的领先地位在MLPerf0.6中得到了证明，这是AI训练的第一项行业级基准测试。

深度学习显卡的选择：1、选择算力在5.0以上的根据官方说明，在GPU算力高于5.0时，可以用来跑神经网络。算力越高，计算能力越强，建议小伙伴们在资金充足的情况下，尽量买算力高一些的。

2、尽量选择大显存显存越高，意味着性能越强悍。特别是对于CV领域的朋友们，建议至少有一个8GB显存的显卡。下面是英伟达的部分中高端显卡的一些性能参数。

3、GPU几个重要的参数GPU架构：不同款的GPU可能采用不同设计架构，比如GeForce10系列的GTX1080/1080Ti采用的是Pascal架构，而GeForce20系列的RTX2080/2080Ti采用的是Turing架构。

不同架构的GPU，即使其他参数差不多，性能差别可能非常大。显存带宽：代表GPU芯片每秒与显存交换的数据大小，这个值等于显存位宽＊工作频率，单位为GB/秒，该值越大，代表GPU性能越好。

GeforceGTX1080的显存带宽为320GB/秒，而它的升级版GeforceRTX2080的带宽为448GB/秒。

显存位宽：代表GPU芯片每个时钟周期内能从GPU显存中读取的数据大小，这个值越大代表GPU芯片和显存之间数据交换的速度越快，性能越好。

GeforceGTX1080的显存位宽为256bit，GeforceRTX2080Ti显存位宽为352bit。GPU工作频率：代表GPU每秒钟工作次数，单位为MHz，跟CPU的频率类似。

该值越大代表性能越好。CUDA核心数量：CUDA核心数量越大越好，GeforceGTX1080的CUDA核心数量是2560个。而GeforceRTX2080Ti的CUDA核心数高达4352个。

功耗：GPU能耗，像Geforce这种消费级的显卡一般功耗非常高，GeforceGTX1080的最大功耗为175W，TeslaP4的最大功耗为75W。

像那种数据中心大规模级别的GPU部署，低功耗的显卡一年电费能省很多。

谷歌人工智能写作项目：小发猫

AMD显卡能做人工智能运算吗？

显卡amd，用caffe做深度学习，两层隐层卷积网络，在速度上cpu only 和用GPU差别是多少？需要更换显卡吗？

这显卡不是没有GPU。。。

只是a卡支持的opencl加速而已，现在caffe不支持opencl的，你显卡384个流处理器计算起来是可以比四核cpu快3倍的，建议你自己构建网络别用框架，然后用opencl加速比较实际。

除非你不注重时间跟效率。再不然就换成n卡咯，但成本需要考虑了。

win10系统AMD显卡怎么设置

其实很简单，首先我们只要确定电脑是否是双显卡，另外检查一下双显卡驱动是否安装正常，之后再看独立显卡是N卡还是A卡，然后按照以下方法设置即可。下面我们就来详细介绍下双显卡电脑如何切换到独立显卡运行。

英伟达（N卡）独立显卡设置双显卡切换独立显卡方法一、在电脑桌面空白位置，点击鼠标右键，然后选择【NVIDIA控制面板】。

二、在打开的NVIDIA控制面板中，我们在左侧的三D设置中，点击【管理三D设置】，然后在右侧的【全局设置】中，将首选图形处理器下方的选项，更改为【高性能NVIDIA处理器】，完成后，记得再点击底部的【保存】即可。

这样设置，就可以将双显卡电脑，切换到默认为独立显卡高性能环境下运行了。

AMD独立显卡（A卡）设置双显卡切换到独立显卡方法一、同样是在电脑桌面空白位置，点击鼠标【右键】，在弹出的选项中，点击【配置可交换显示卡】。

二、然后在弹出的AMD可切换显示卡设置中，我们可以将需要设置为独立显卡运行的应用程序添加进来，然后选择【高性能】即可，完成后点击底部的【保存】就可以了。

以上就是双显卡电脑设置双显卡只用独显的方法，操作上相对都比较简单，以上方法适合CPU核心显卡+A/N独立显卡组合的双显卡电脑，如果电脑中搭配了两块独立显卡，无CPU集成的核心显卡的话，那么就无需设置了。

专业的电脑技术团队为你解答，来自"装机员官中国。

深度学习用cpu训练和用gpu训练有什么区别

1、深度学习用cpu训练和用gpu训练的区别（1）CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算。

（2）CPU算神经网络也是可以的，算出来的神经网络放到实际应用中效果也很好，只不过速度会很慢罢了。而目前GPU运算主要集中在矩阵乘法和卷积上，其他的逻辑运算速度并没有CPU快。

2、深度学习深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是机器学习中一种基于对数据进行表征学习的方法。

观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。

使用神经网络训练，一个最大的问题就是训练速度的问题，特别是对于深度学习而言，过多的参数会消耗很多的时间，在神经网络训练过程中，运算最多的是关于矩阵的运算，这个时候就正好用到了GPU，GPU本来是用来处理图形的，但是因为其处理矩阵计算的高效性就运用到了深度学习之中。

为什么做GPU计算，深度学习用amd显卡的很少，基本都nvidia

因为在深度学习领域,CUDA比OpenCL更好用，比如Google也是选择用CUDA而CUDA只支持N卡。

以前AMD本身对加速卡领域涉及没有N卡深，近几年看到这边潜力非常巨大，最近才大力打造AMDRadeonInstinct系列加速卡。

为什么做GPU计算，深度学习用amd显卡的很少，基

因为这方面的技术是NV首先提出并且实现，而且作为产品的一个主推方向坚持连续优化的，最新的TitanXP的架构甚至有优先考虑计算而后考虑游戏的“美名”。

反过来看AMD，虽然也在GPU计算上有所创建，但毕竟它自家还同时生产CPU，这种纵容左手打右手的行为还是要收敛很多的。所以它在这方面远远落后于NV，是一种必然。