Bästa grafikkortet för maskin-inlärning till rimligt pris

Jag anser att det är precis som du själv är inne på: Det finns massor av stöd redan för Nvidia och CUDA men AMD är nog mer bang for the buck. Dock framöver med Vega 20 ser det ju ut som att AMD kanske till och med slår Nvidia på fingrarna prestanda mot prestanda - men fortfarande med problemet med AMD att det saknas bra och utbrett stöd.

Så är du skapligt ny skulle jag lätt gå på Nvidia.

Om jag har tolkat allt rätt (jag håller inte direkt på med detta) ...

Då känns det som att AMD is the way to go för prestanda. Får väl väga hur mycket det är värt att använda Nvidia och allt som redan är färdigt för att köra med det gröna laget.

@Greyguy1948: NVIDIAs 2000-serie har ju Tensor-kärnor som är speciellt gjorda för just AI, där t.ex. 2080 Ti ligger på runt 100 TFLOPS i FP16-prestanda enbart med Tensor-kärnorna. Se t.ex. Wikipedia för lite siffror för de olika modellerna, och NVIDIA för en kort genomgång om hur man använder dem.

@perost: Tror du missade det där med rimligt pris som står med i "topic".

Och vad är rimligt pris då? TS nämner ju t.ex. själv Radeon VII, som får storstryk i FP16-prestanda av vilket kort som helst i 2000-serien. Det är bara att välja den prisnivå som passar.

@Greyguy1948: Se Wikipedia-länken i mitt tidigare inlägg, där framgår hur många Tensor-kärnor varje kort har (fjärde värdet i "Core config") och deras prestanda i olika lägen. Alla nuvarande kort i 2000-serien har som sagt Tensor-kärnor.

Intressant att Nvidia mörkar tensor biten.

Jag läste som hastigast någonstans för några dagar sedan att det finns någon kompilator som gör om den vanliga Cuda koden till något som funkar bra på AMD.

Trots att jag är programmerare själv kan inte säga att jag vet jättemycket om detta område. Något som kan vara intressant är intervjun som Gamers Nexus hade med en nvidia representant där de pratar om fördelarna i RTX-serien, bland annat handlar det om att grafikkortets "tensor-cores" kan (tillsammans med cuda cores) paralellisera INT-operationer och FP-operationer (något som inte tidigare har gått att utföra): https://www.youtube.com/watch?v=sZMKHmJfUmI

Misstänker att detta kan vara av nytta för maskininlärning samt dess prestanda. Allt detta är dock på väldigt låg nivå, och jag känner mig inte tillräckligt påläst för att säga vad som är bäst. Speciellt inte när det kommer till prestanda/krona för ditt specifika syfte.

De gör de inte. De väljer dock att marknadsföra Ray-tracing istället vilket använder sig av tensor-kärnorna.

Skickades från m.sweclockers.com