titanv titanv显卡相当于什么显卡

各位老铁们好，相信很多人对titanv都不是特别的了解，因此呢，今天就来为大家分享下关于titanv以及titanv显卡相当于什么显卡的问题知识，还望可以帮助大家，解决大家的一些困惑，下面一起来看看吧！

titanv显卡相当于什么显卡

GTXTITANX相当于GTX1080Ti。GTXTITANX整体采用了GTX980的1.5倍规格，尤其是流处理器/纹理单元/ROPs/显存位宽都严格按照1.5倍大小。

4608个CUDA核心，576个TensorCore。频率1350MHz，并能够超频到1770MHz。与此同时，TITANRTX拥有24GBGDDR6显存，仍然使用的是台积电12nmFFN工艺。接口支持1USBType-C接口，1HDMI接口，3DisplayPort接口。绝对是超越thx2080ti的高性能显卡。

英伟达最新的Titan V是否值得购买

去年12月8日，英伟达在NIPS2017大会的一次活动中发布了最新消费级旗舰显卡TitanV——Volta架构，包含最新的神经网络计算单元TensorCore。英伟达宣称这块最新Titan旗舰的性能可达上一代产品（TitanXp）的九倍。这款售价高达3000美元的显卡是否值得购买？随着TitanV陆续进入用户手中，已有人对其进行了评测。

TitanV是英伟达最近推出的「桌面级」GPU，基于新一代Volta架构（12nm工艺），拥有211亿个晶体管、12GB的HBM2显存，可以提供110TFLOPS的「深度学习算力」，对于单块显卡而言，这是一个惊人的数字。相比之下，此前的最强显卡GeForce1080Ti可以输出11TFLOPS「常规算力」，内存为11GBDDR5，而售价则是相对亲民的699美元。

TitanV身上的数字看起来非常exciting，其2999美元的售价虽然有点难以让人接收，但其接近10倍的算力提升是其最大卖点，我们能否用一块TitanV代替10块1080Ti？或者说，从价格来看，它能否超过4块1080Ti？

另一方面，英伟达DGX计算站现在的售价也下调至49900美元（原价69900美元）。这种设备内含4块水冷服务器级计算芯片TeslaV100，这种芯片理论上性能强于桌面级的TitanV（虽然价格要贵上很多，但其中应该包含技术支持和整套服务级协议）。尽管如此，大多数人（包括大量学校和科技公司的AILab）是不会准备这种数量级的经费用于GPU的。即使这样的设备也在考虑范围之内，我们也要先讨论一下性价比的问题。

所以我们的问题是，TitanV是不是当前构建深度学习环境最为值当的选择？

让我们从头说起，TitanV和它服务器级的亲属TeslaV100都是在去年推出的（V100在2017年5月份推出，而TitanV在12月推出）。大多数深度学习架构已经加入了对Volta架构的支持，确保其TensorCore的潜力在模型训练时充分发挥。

例如，PyTorch在近期发布了0.3.0版本，加入了CUDA9和Volta架构GPU的支持。在我近期对于新硬件的测试中，PyTorch社区提供了很大帮助。我已经在用TitanV运行PyTorch神经网络框架上的程序了，目前的一些测试程序可以用来对比硬件性能的差异。目前，我只能给出基于PyTorch0.3.0的基准测试，我会在未来加入其他框架下的性能对比，这些测试将基于CUDA9.0.176和CuDNN7.0.0.5，也有可能在这些API之外。

看看以上结果。

我们让TitanV和GeForce1080Ti在相同的设置下进行了对比测试（这些显卡在同样的计算机上经过了测试，都插在了16xPCIE接口上）。

上表中显示的时间是CNN前向传播（eval）和反向传播（train）所需的时间，以毫秒计。这些数字是超过10次操作的平均值，因为运算过多次，所以该数字相对稳定。

其中有趣的地方在于：

显然，TitanV的速度要快于GeForce1080Ti。然而如果仅比较32-bit位的运算（单精度），TitanV仅比1080Ti快20%左右。

TitanV在16-bit运算（半精度）上的运行速度要比32-bit位的运算速度快上很多。1080Ti也可以从半精度设置上受益，但速度提升相比TitanV而言较为平滑。

这些数字告诉我们「无脑选TitanV」并不一定是对的。

关于接近10倍的算力提升，英伟达说谎了吗？我确定他们的营销人员是诚实优秀的人，但是这里存在多个因素。一，我确定从软件的角度来看，充分利用Volta超快的TensorCore还有改进空间。但是即便如此，如果大部分代码路径不符合允许最大理论性能的条件，商家宣称的大幅度性能提升就有待商榷了。时间会告诉我们在框架／CUDA/CuDNN级别可以有多大改进来充分利用VoltaGPU的能力，但是我在常见的CNN上（我专注于计算机视觉，所以在这里使用卷积神经网络进行了测试）观察到的初始值似乎并不足以证明值得去升级成TitanV，尤其是「买一个VoltaGPU，模型就能跑得起来」这种情况并不会出现。

尽管使用最新技术很有趣（先买先享受），但如果你使用个人GPU进行AI研究或构建产品，那么我建议你继续使用GeForce1080Ti（直到英伟达不久之后发布更好、更合适的产品，GeForce2080Ti？）。此外，单块TitanV内存只有12GB，1080Ti内存稍小，有11GB。但是如果你用单个TitanV的钱买四个1080Ti（注意：为此你还需要更强大的电源、可支持4个GPU的主机、更大的RAM，以及更好的冷却系统等），那么你将拥有更多的显存（44GBvs12GB）。如果你需要不止一个GPU，那么更实际的方法是买2个1080Ti。这样，GPU就不会一个一个地堆叠起来（堆叠需要更多的气流才能冷却，如果多个GPU热量过大，则性能损失会很严重……你可以采取水冷的方式，但该方法大幅增加成本和风险）。另外，如果只有两个显卡，那显卡所需电量是250Wx2，这样你就不必担心供电不足。不管怎样，我发现拥有多个GPU并进行独立实验是一种性价比较高的做法，这样我可以快速迭代，因此我推荐此方法作为折中方案。

解决堆叠、空气冷却GPU的发热问题的另一种方法是，如果你必须使用3-4个GPU，且不想使用水冷却，同时也不关心美感或噪声，那么大可以买一些PCIE扩展槽／立管，遵循这位Kaggle竞赛冠军的做法：

VladimirIglovikov（2017年CarvanaImageMaskingChallenge冠军团队成员之一）搭建的4x1080Ti机器。

希望本文对你有所帮助。

关于titanv，titanv显卡相当于什么显卡的介绍到此结束，希望对大家有所帮助。