Jeg har ikke personlig brukt CUDA til dette, selv om jeg planlegger å gjøre det. Fra undersøkelsen min konkluderte jeg med at du helt sikkert vil ha 'Computing Capability' minst lik 3,5, da noen biblioteker krever det allerede. (Vanskelig å finne) listen over datakapasitet er under denne lenken. Fra denne listen kan man konkludere med at det å ha GTX 980 eller Titan (begge 5,2-poeng) er så bra du kan få, men merk at hvis du bygger et grafikkort bare for dette, har Nvidia et svar for profesjonell og akademisk bruk med navnet Tesla - det er bare en databoks, langt fra grafikkort (den har ingen skjermporter engang!), koster fra 3k $ for K20, til 5k $ for K80-modellen, og er en behemoth: / p>
En rask sammenligning (CC står for Compute Capability):
- Tesla K20: for stasjonære datamaskiner, titt for float: 3,52 Tflops, 5 GB, 2496 CUDA-kjerner, 2,9 k $, CC: 3,5
- Tesla K40: for stasjonære datamaskiner, titt for float: 4,29 Tflops, 12 GB, 2880 CUDA kjerner, 3.1k $, CC: 3.5
- Tesla K80: for servere, se for float: 8 Tflops, 24 GB, 4992 CUDA Cores, 5k $, CC: 3.7
og kundekvalitet, mest populære og nye grafikkort:
- GTX960: for stasjonære datamaskiner, titt for float: 2.3 Tflops, 2 eller 4 GB, 1024 CUDA-kjerner, 200 $, C C: 5.2
- GTX980: for stasjonære datamaskiner, titt for float: 4,61 Tflops, 4 GB, 2048 CUDA-kjerner, 500 $, CC: 5.2
- Titan X: for stasjonære datamaskiner, titt for float: 6.1 Tflops, 12 GB, 3072 CUDA-kjerner, 1000 $, CC: 5.2
Se også sammenligning på wccftech.
For å konkludere: GPU av kommersiell karakter ser ut til å være mer kostnadseffektiv, men bare når vi sammenligner spesifikasjonene. Det kan være andre kompromisser, det er ikke jeg. Dermed kan jeg ikke trygt si "gå med kundeklasse", men jeg kan fortelle deg hva jeg ville (vil) gjøre - jeg vil kjøpe GTX 960 eller 970, fordi jeg planlegger å spille, og jeg er ganske kostnadsbegrenset, og dette kortene vil gjøre det bra for CUDA-læring. Hvis du kjøper for en institusjon, ikke planlegger å spille, vil beregningene gå 24/7, vurder den akademiske karakteren Teslas.
Også, hvis du vil være interessert i å øke den 'konvensjonelle' heltalsbaserte prosessorkraften på en avansert beregningsserver, vil du kanskje slå opp Xeon phi.
[EDIT] Vær oppmerksom på at det å bytte fra CPU-basert flytende punkt-aritmetikk til GPU-forbedret, er en endring i kvalitet, nesten en størrelsesorden , og vil være veldig uttalt og merkbar, men bytter fra eks. Tesla K20 til Tesla K40 vil bare være en endring i mengde (K80 er bare to K40 samlet), så hvis du velger hastighet til prisforhold, gå med den billigste GPU-akselerasjonen, det vil fungere for deg.