参考网站:
http://blog.163.com/yang_jianli/blog/static/1619900062010391127338/ (Linux配置查看命令)
https://developer.nvidia.com/cudnn (cuDNN)
http://developer.nvidia.com/cuda-gpus
(显卡计算能力)
http://www.geforce.com/hardware/10series/geforce-store (NVIDIA store)
www.jd.com (京东)
机器性能测试与显卡价格报表
-
机器配置
-
服务器
型号: 曙光天阔I950r-G
CPU: 128核 Intel(R) Xeon(R) CPU E7- 8830 @ 2.13GHz
内存: 1TB
显卡: Matrox Graphics, Inc. MGA G200eW WPCM450 (rev 0a)
显存: Memory at ce000000 (32-bit, prefetchable) [size=16M]
Memory at cf800000 (32-bit, non-prefetchable) [size=16K]
Memory at cf000000 (32-bit, non-prefetchable) [size=8M]
系统1: Red Hat Enterprise Linux Server release 6.2 (Santiago)
内核: Linux ict 2.6.32-220.el6.x86_64
系统2: windows server 2008 R2 X64
位置: 10楼机房南门,进门左手边玻璃门进入,主机柜D-09中间位置
负责人:秦立格老师
qinlige@ict.ac.cn
房间:1054
CPU: 8核Intel(R) Core(TM) i7-4770K CPU @ 3.50GHz
显卡: NVIDIA Corporation GK106 [GeForce GTX 660] (rev a1)
显存: Memory at f6000000 (32-bit, non-prefetchable) [size=16M]
Memory at e8000000 (64-bit, prefetchable) [size=128M]
Memory at f0000000 (64-bit, prefetchable) [size=32M]
内核: Linux shirui-All-Series 3.16.0-41-generic
CPU: 双核Intel(R) Core(TM)2 CPU 6600 @2.40GHz
显卡: NVIDIA GeForce 8800 GTS 512
由Google实验室的Corinna Cortes和纽约大学柯朗研究所的Yann LeCun建立。
训练库有60,000张手写数字图像,测试库有10,000张。为28×28的二值图像。
网上大家的测试结果,Caffe cuDNN模式相比CPU模式加速15.64倍,相比GPU模式加速7.7倍。
-
显卡的计算能力
我的电脑GeForce 8800 GTS 计算能力1.1
诗锐电脑GeForce GTX 660 计算能力3.0
-
报价列表
产品 |
显存 |
显存频率 |
主频 |
处理单元 |
电源 |
京东报价 |
官网报价 |
NV IDIA TITAN X |
12G |
3584 |
600W |
¥11200 |
$1200 |
||
GeForce GTX 1080 |
8G |
10010MHz |
1800MHz |
2560 |
550W |
¥4999 |
$699 |
GeForce GTX 1070 |
8G |
8058MHz |
1700MHz |
1920 |
550W |
¥3199 |
$440 |
GeForce GTX 1060 |
6G |
8008MHz |
1700MHz |
1280 |
450W |
¥1999 |
$299 |
GeForce GTX 1050 |
4G |
7008MHz |
1400MHz |
768 |
400W |
¥1199 |
停售 |
-
结论
目前来看,对于神经网络训练的性能GPU要远高于CPU。通过目前的了解,caffe平台似乎并不支持多机训练,还需要进一步调研。Mxnet可以支持多机多卡的训练,TensorFlow也有分布式的训练的版本。
原文链接: https://www.cnblogs.com/yizhichun/p/6339714.html
欢迎关注
微信关注下方公众号,第一时间获取干货硬货;公众号内回复【pdf】免费获取数百本计算机经典书籍
原创文章受到原创版权保护。转载请注明出处:https://www.ccppcoding.com/archives/248310
非原创文章文中已经注明原地址,如有侵权,联系删除
关注公众号【高性能架构探索】,第一时间获取最新文章
转载文章受原作者版权保护。转载请注明原作者出处!