如何选择适合深度学习的GPU？

  • 为什么GPU比CPU更适合机器学习或者深度学习？
  • 什么是张量处理单元（TPU）?
  • 目前主流的GPU厂商：Nvidia和AMD
  • 选择GPU时需要关注的主要属性
    • 1. GPU的内存需要多少？
    • 2. 需要多少核心？是CUDA核心还是Tensor核心？
    • 3. 哪一种GPU的芯片架构较好？
      • 1）选择的芯片架构是否具有显著的功能改进
      • 2）选择的芯片架构是否会被弃用
  • 什么样的显卡适合我们？
  • 还有哪些选择GPU的建议？
  • 总结一下
  • 参考资料

当我们在学习机器学习或者是深度学习的时候，训练深度神经网络模型的时候，经常使用GPU而不是CPU，这是因为在处理深度神经网络方面，GPU的处理能力优于CPU。

但是，很多人并不十分清楚我们到底需要什么样的GPU？因此，本文给大家做一些简单的分析，并提出一些建议。

为什么GPU比CPU更适合机器学习或者深度学习？

CPU（中央处理器）是计算机的核心，它非常灵活，不仅需要处理来自各种程序和硬件的指令，并且处理速度也非常优秀。为了在这种多任务环境中表现出色，CPU具有少量且灵活快速的处理单元（也称为核）。

GPU（图形处理单元）在多任务处理方面不那么灵活。但它可以并行执行大量复杂的数学计算。这是通过拥有更多数量的简单核心（数千个到上万）来实现的，这样可以同时处理许多简单的计算（并行计算）。

并行计算的要求非常适合于:

  • 图形渲染——移动的图形对象需要不断地计算它们的轨迹，这需要大量不断重复的并行数学计算。
  • 机器和深度学习——大量的矩阵/张量计算，GPU可以并行处理。
  • 任何类型的数学计算，可以拆分为并行运行。

下图是CPU和GPU的主要区别：

什么是张量处理单元（TPU）” />目前主流的GPU厂商：Nvidia和AMD

目前，使用最多的GPU来自Nvidia。虽然可以使用AMD的GPU进行机器/深度学习，但是目前来看，Nvidia的GPU具有更高的兼容性，对于生态的支持比较好，也就是说，通常可以更好地集成到TensorFlow和PyTorch等工具中（比如目前PyTorch的AMD GPU的支持还只能在Linux上使用）。

使用AMD GPU需要使用额外的工具(ROCm)，这个会有一些额外的工作，并且版本可能也不会更新的很快。这种情况将来可能会有所改善，但是现在为止，最好还是使用Nvidia。

选择GPU时需要关注的主要属性

选择一个适合机器学习或深度学习，重要的是符合预算的GPU，需要考虑四个因素：

  • GPU有多少内存？
  • GPU有多少个CUDA和/或张量核？
  • 这个GPU显卡使用了什么芯片架构？
  • GPU的功耗是多少？（可选）

下面我们一一介绍。

1. GPU的内存需要多少？

当然是越多越好！实际上取决于你的任务，以及这些模型有多大。如果你正在处理图像、视频或音频，那么你将处理相当大量的数据，GPU RAM将是一个非常重要的考虑因素。

可能有人会说，总有办法解决内存不足的问题(例如减少批处理大小)。但是这将会浪费训练的时间，如果在预算充足的时候，还是选择内存大的GPU。

下面是根据经验的一些建议：

  • 4GB：这是绝对的最小值，只要你不是在处理过于复杂的模型，或者大的图像、视频或音频，这个在大多数情况下能工作，但是达不到日常使用的需要。
  • 8GB：这是一个适合日常学习的大小，可以在不超过RAM限制的情况下完成大多数任务，但在使用更复杂的图像、视频或音频模型时会遇到问题。
  • 12GB：这是科研最基本的的要求。可以处理大多数较大的模型，甚至是那些处理图像、视频或音频的模型。
  • 12GB+ ：越多越好，这样你将能够处理更大的数据集和更大的批处理大小。超过12GB才是价格真正开始上涨的开始。

一般来说，如果成本相同的话，选择“速度较慢”但内存较大的GPU显卡会更好。但请记住，GPU的优势是高吞吐量，这在很大程度上依赖于可用的RAM来通过GPU传输数据。

2. 需要多少核心？是CUDA核心还是Tensor核心？

对于核心数目，越多越好！首先考虑内存，然后是计算核心。对于机器/深度学习来说，Tensor核比CUDA核更好(更快，更有效)。因为它们是为机器/深度学习领域所需的计算而精确设计的。

但是这并不是必须的，因为CUDA核已经足够快了。当然，如果有Tensor核的显卡，当然是更好的，但是显然可能会更贵。

下面是一些常见的CUDA相关的名词：

  • CUDA核心——这些是显卡上的物理处理器，通常有数千个，4090已经1万6了。
  • CUDA 11——这里的数字可能会改变，是指安装的软件/驱动程序的版本，以允许显卡正常的工作。Nvidia会定期发布新版本，它可以像任何其他软件一样安装和更新。
  • CUDA代数(或计算能力)——这描述了显卡的更新迭代的代号，它由数字和一个代号来区分。

3. 哪一种GPU的芯片架构较好？

这实际上比你想象的更重要。但是这里我们不讨论AMD的GPU，因为我们推荐选择使用Nvidia的。

30系列的卡就是Ampere架构，40系列是Ada Lovelace。一般Nvidia都会使用一个著名科学家和数学家来对架构命名，40系列选择的是著名英国诗人拜伦之女，建立了循环和子程序概念的女数学家、计算机程序创始人Ada Lovelace来命名。

这里需要注意两个方面：

1）选择的芯片架构是否具有显著的功能改进

这里一个重要的功能就是：混合精度训练。首先介绍使用精度低于32位浮点数的数字格式的好处。

  • 首先它们需要更少的内存，从而能够训练和部署更大的神经网络。
  • 其次它们需要更少的内存带宽，从而加快数据传输操作。
  • 第三数学运算在精度降低的情况下运行得更快，尤其是在具有Tensor Core的GPU上。

混合精度训练实现了所有这些好处，同时确保与完全精度训练相比不会丢失特定于任务的准确性。它通过识别需要完全精度的步骤并仅对这些步骤使用32位浮点而在其他任何地方使用16位浮点来实现这一点。

https://docs.nvidia.com/deeplearning/performance/mixedprecisiontraining/index.html

如果GPU具有7.x (Turing) 或更高的架构，才有可能使用混合精确训练。也就是说 桌面的RTX 20 系列或高版本，或服务器上的 “T”或“A”系列。

混合精度训练具有如此优势的主要原因：它降低了 RAM 使用率，Tensor Core的GPU会加速混精度训练，如果没有的话使用FP16也会节省显存，可以训练更大的批大小，间接提升训练速度。

2）选择的芯片架构是否会被弃用

如果对RAM有特别高的要求，但又没有足够的预算买高端卡，那么可能会选择二手市场上的老款GPU。这有一个相当大的缺点……那就是这张卡的寿命可能快要结束了。

举个例子：一个典型的例子就是Tesla K80，它有4992个CUDA核心和24GB的RAM。2014年，它零售价约为7000美元。现在的价格从150到170美元不等!（咸鱼的价格600-700左右）这么小的价格却有这么大的内存，也许你可能会很兴奋。但是这有一个非常大的问题。K80的计算架构是3.7 (Kepler)，从CUDA 11起已经不支持这个芯片架构。这意味着这张卡已经废了，所以它才卖的这么便宜。所以在选择二手显卡时一定要看清楚它是否支持最新版本的驱动和CUDA程序，这是最重要的。

什么样的显卡适合我们？

Nvidia把他们的显卡分为两部分。高端游戏卡（消费类显卡）和工作站/服务器卡（专业级显卡）。

这两个部分之间有明显的区别，对于相同的规格(RAM, CUDA内核，架构)，消费类显卡通常会更便宜。但是专业卡通常会有更好的质量，和较低的能源消耗（其实涡轮的噪音挺大的，放机房还可以，放家里或者试验室有点吵）。

高端(非常昂贵)的专业卡，可能你已经注意到它们有很大的RAM（例如RTX A6000有48GB, A100有80GB!）。这是因为它们通常直接针对3D建模、渲染和机器/深度学习专业市场，这些市场需要高水平的RAM。当然啦，如果你有充足的预算，买A100就对了!

还有哪些选择GPU的建议？

基于预算的需求，最后给出一些建议。这里将预算分为三个等级：低预算、中等预算和高预算。

  • 对于高预算，还是那句话如果你有充足的预算：A100，H100尽情购买，比如王总。
  • 对于低预算，可以从二手市场购买。还可以考虑一些专业桌面系列卡(T600、A2000和A4000)，因为它的一些配置比同类消费类显卡稍差，但功耗明显更好。
  • 中等预算

除了这些，如果不想花钱，还可以使用在线/云服务。可以利用谷歌Colab，它可以让你免费使用GPU。但这是有时间限制的，如果你使用GPU太长时间，他们会把你踢出去，然后回到CPU上。如果GPU处于非活动状态太长时间，可能是在你写代码的时候，它也会把GPU拿回来。GPU也是自动分配的，所以你不能选择你想要的确切的GPU（你也可以每月9.9刀弄个Colab Pro，我个人觉得要比低预算好很多，但是要求有梯子，$49.99的Colab Pro+有点贵，不建议）。
下面是通过Colab可以获得的GPU：

注意，K80有24GB的RAM和4992个CUDA核心，它基本上是两个K40卡连在一起。这意味着当你在Colab中使用K80时，你实际上可以访问一半的卡，所以也就是只有12GB和2496个CUDA内核。

总结一下

16384 CUDA + 24GB，对比3090 的10496 CUDA ，真的很香。而4080 16G的9728CUDA 如果价格能到7000内，应该是一个性价比很高的选择。对于AMD的 7900XTX 应该也是一个很好的选择，但是兼容性是个大问题。

参考资料

  1. https://mp.weixin.qq.com/s/tmwpuiCIwqz0bGm7-rsU2g
  2. https://blogs.nvidia.com/blog/2009/12/16/whats-the-difference-between-a-cpu-and-a-gpu/
  3. https://www.geeksforgeeks.org/difference-between-cpu-and-gpu/