在处理机器学习时，特别是在处理深度学习和神经网络时，最好使用显卡来处理，而不是CPU。在神经网络方面，即使是低端的GPU也会胜过CPU。
但是你应该买哪种GPU呢?有很多种选择，本文将尽量考虑各种相关因素，以便您可以根据您的预算和特定的建模要求做出合适的选择。
为什么 GPU 比 CPU 更适合机器学习？CPU(中央处理器)是计算机的主力，重要的是它非常灵活。它可以处理来自各种程序和硬件的指令，而且处理速度非常快。为了在这种多任务环境中表现出色，CPU 具有少量灵活且快速地处理单元（也称为内核）。
GPU(图形处理器)更加专业，在多任务处理方面没有那么灵活。它旨在并行执行大量复杂的数学计算，从而提高吞吐量。这是通过拥有更多数量的更简单的核心来实现的，有时是数千个，这样就可以一次处理许多计算。
并行执行多个计算的要求非常适合以下情况:
- 图形渲染——移动的图形对象需要不断计算其轨迹，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，可以通过 GPU 并行处理。
- 可以拆分为并行运行的任何类型的数学计算。
随着人工智能和机器/深度学习的蓬勃发展，现在甚至出现了更专门的处理核，称为张量核心。当执行张量/矩阵计算时，它们更快更有效。这正是机器/深度学习所涉及的数学类型所需要的。
尽管有专用的TPU，但一些最新的GPU也包括许多张量核心，您将在本文后面看到这一点。
Nvidia与AMD答案肯定是:英伟达（Nvidia）
你可以使用AMD的GPU进行机器/深度学习，但Nvidia的GPU具有更高的兼容性，并且通常还可以更好地集成到TensorFlow和PyTorch等工具中。
如果尝试使用一个带有TensorFlow的AMD GPU需要使用额外的工具(ROCm)，这往往有点繁琐，有时还只能使用不太最新的TensorFlow/PyTorch版本。
这种情况可能会在未来有所改善，但如果你想要一个好的体验，最好坚持使用Nvidia。
GPU特性选择一个适合你预算的GPU，同时也能够完成你想要的机器学习任务，基本上归结为四个主要因素的平衡:
- GPU有多少RAM？
- GPU 有多少个CUDA或Tensor核心？
- 该卡使用什么芯片架构？
- 您的功耗要求是什么（如果有的话）？
答案是，越多越好!
这实际上取决于你机器学习模型是什么，以及这些模型有多大。例如，如果你正在处理图像、视频或音频，那么根据定义，你将处理大量的数据，而GPU RAM将是一个非常重要的考虑因素。当然也有办法解决内存不足的问题（例如调整batch size）。
