现在抢GPU卡搞智算、搞AI模型训练的都太火了。
无论你是一个游戏爱好者还是一个赛博炼丹师（大模型训练），英伟达GPU卡选型都将是绕不过的一道命题。
那么重点来了，如何在琳琅满目的各种型号GPU卡中选取一款合适且性价比高的呢？
GPU卡选型第一步是先了解自己的需求，针对不同的项目，不同的预算，做出不同选择。
针对应用场景分析
众多周知，英伟达的显卡有五个系列。
（1） GeForce系列：
GeForce GTX系列显卡，涵盖GTX 1060、GTX 1070、GTX 1080等经典型号，现已迭代至更先进的RTX系列。
GeForce RTX系列显卡，包括RTX 2060、2070、2080及RTX 3060、3070、3080、3090、4080、4090等等型号，均搭载先进的光线追踪技术。
（2）Quadro系列：
专业图形工作站市场首选，为CAD、3D建模、渲染、动画制作提供高稳定性、高精度的优化解决方案
（3） Tesla 系列：
专为数据中心与高性能计算（HPC）打造的解决方案，支持海量并行计算，涵盖科学计算、深度学习训练与推理、大数据分析等，如我们所熟知的A100和V100就是Tesla系列的代表性产品。
（4）Data Processing Unit (DPU)：
DPU是英伟达的创新产品线，专注于数据中心网络、存储和安全数据处理，显著提升数据中心运行效率和安全性能。
（5）Grace CPU 和 Grace-Hopper 超级芯片
特别注意，其中常见的三类：GeForce面向游戏，Quadro面向3D设计、专业图像和CAD等，Tesla面向科学计算，在大规模集群训练以及开发上，Tesla依旧是首选，而在单机训练上，最有性价比且能兼顾日常训练的是GeForce系列，如一直出现断货热潮的4090。
针对性能分析
一、计算能力。它是GPU的核心性能指标，浮点运算能力其性能的重要指标之一，尤其是在深度学习任务中，GPU需要进行大量的矩阵计算。主要评估的浮点运算能力包括：
FP64：双精度浮点数，适用于科学计算和工程模拟等高精度需求的应用。
FP32：单精度浮点数，广泛用于深度学习和机器学习的训练任务。
TF32：从A100开始引入的新数据格式，专为深度学习优化，比FP32效率更高。
BF16：用于平衡计算精度和效率的低精度浮点数格式，常见于机器学习和深度学习中。
FP16：半精度浮点数，主要用于推理任务，计算速度更快且占用的存储空间更小。
INT8：8位整数格式，计算效率高，适合推理任务。
二、显存容量，显存容量越大，能够加载和处理的数据规模就越大，特别适用于大模型训练和高分辨率图形渲染任务。
三、CUDA Core，它是NVIDIA GPU上的计算核心单元，用于执行通用的并行计算任务，是最常看到的核心类型。数量越多，GPU的并行计算性能越强。
四、Tensor Core。Tensor Core是英伟达为其高端GPU开发的一项技术，本质上是一种加速矩阵乘法的处理单元。简而言之就是：在超大规模的矩阵运算时候一旦有了Tensor Core加持，运算周期会大大缩短。人工智能训练最好选择带有Tensor Core的GPU。
针对性价比分析
性价比是选择一张GPU最重要的考虑指标。下图是一张展现在训练和推理过程中，一美元能买到多少算力；这在一定程度上体现了英伟达众显卡的性价比。
CNN、RNN和Transformer的每美元性能
在上面这张图中，数字越大代表每一美元能买到的性能越强。可以看出， RTX 2060比RTX 2070，RTX2080或RTX 2080 Ti更具成本效益。
当然以上的评判只是出于某个片面的功能来进行考虑，真实的GPU卡性能还与集群规模、卡间通讯效率等多种因素相关。不排除，还有任性土豪可以只选贵的。
最后一个问题，我们通常所说的RTX4090代表着什么呢？
答案即是：
RTX代表的是具有光追的中高端型号；
GTX代表的是无光追的中高端型号；
GT代表的是入门型号；
40代表的是显卡代数是目前最新的，还有30、20、10；
90代表的是显卡性能，数字越大，性能越强，还有60、70、80、90；