❶ 2022-01-21 查看顯卡算力
筆者GeForce RT 710顯卡，裝的是792版本驅動，查看GPU信息，提示支持到CUDA11.4，遂裝了11.4版本的CUDA，
首先驗證CUDA環境是安裝成功的
但是在安裝paddle後，執行paddle驗證函數時，提示錯誤
查資料說是顯卡算力不足。
在NVIDIA網站查看顯卡對應的算力表： https://developer.nvidia.com/zh-cn/cuda-gpus#compute
也可以在執行Python腳本獲取顯卡算力信息
❷ 顯卡的算力和張數有關嗎
1、SP總數=TPC&GPC數量*每個TPC中SM數量*每個SM中的SP數量；
TPC和GPC是介於整個GPU和流處理器簇之間的硬體單元，用於執行CUDA計算。特斯拉架構硬體將SM組合成TPC（紋理處理集群），其中，TPC包含有紋理硬體支持（特別包含一個紋理緩存）和2個或3個SM，後面會有詳細描述。費米架構硬體組則將SM組合為GPC（圖形處理器集群），其中，每個GPU包含有一個光柵單元和4個SM。
2、單精度浮點處理能力=SP總數*SP運行頻率*每條執行流水線每周期能執行的單精度浮點操作數；
該公式實質上是3部分相乘得到的，分別為計算單元數量、計算單元頻率和指令吞吐量。
前兩者很好理解，指令吞吐量這里是按照FMA（融合乘法和增加）算的，也就是每個SP，每周期可以有一條FMA指令的吞吐量，並且同時FMA因為同時計算了乘加，所以是兩條浮點計算指令。
以及需要說明的是，並不是所有的單精度浮點計算都有這個峰值吞吐量，只有全部為FMA的情況，並且沒有其他訪存等方面的限制的情況下，並且在不考慮調度效率的情況下，才是這個峰值吞吐量。如果是其他吞吐量低的計算指令，自然達不到這個理論峰值。
3、雙精度浮點處理能力=雙精度計算單元總數*SP運行頻率*每個雙精度計算單元每周期能進行的雙精度浮點操作數。
目前對於N卡來說，雙精度浮點計算的單元是獨立於單精度單元之外的，每個SP都有單精度的浮點計算單元，但並不是每個SP都有雙精度的浮點單元。對於有雙精度單元的SP而言，最大雙精度指令吞吐量一樣是在實現FMA的時候的每周期2條（指每周期一條雙精度的FMA指令的吞吐量，FMA算作兩條浮點操作）。
而具備雙精度單元的SP數量（或者可用數量）與GPU架構以及產品線定位有關，具體為：
計算能力為1.3的GT200核心，第一次硬體支持雙精度浮點計算，雙精度峰值為單精度峰值的1/8，該核心目前已經基本退出使用。
GF100/GF110核心，有一半的SP具備雙精度浮點單元，但是在geforce產品線中屏蔽了大部分的雙精度單元而僅在tesla產品線中全部打開。代表產品有：tesla C2050，2075等，其雙精度浮點峰值為單精度浮點峰值的一半；
geforce GTX 480，580，其雙精度浮點峰值為單精度浮點峰值的大約1/8左右。
其他計算能力為2.1的Fermi核心，原生設計中雙精度單元數量較少，雙精度計算峰值為單精度的1/12。
kepler GK110核心，原生的雙精度浮點峰值為單精度的1/3。而tesla系列的K20,K20X,K40他們都具備完整的雙精度浮點峰值；geforce系列的geforce TITAN，此卡較為特殊，和tesla系列一樣具備完整的雙精度浮點峰值，geforce GTX780/780Ti，雙精度浮點峰值受到屏蔽，具體情況不詳，估計為單精度峰值的1/10左右。
其他計算能力為3.0的kepler核心，原生具備較少的雙精度計算單元，雙精度峰值為單精度峰值的1/24。
計算能力3.5的GK208核心，該卡的雙精度效能不明，但是考慮到該核心定位於入門級別，大規模雙精度計算無需考慮使用。
所以不同核心的N卡的雙精度計算能力有顯著區別，不過目前基本上除了geforce TITAN以外，其他所有geforce卡都不具備良好的雙精度浮點的吞吐量，而本代的tesla K20/K20X/K40以及上一代的fermi核心的tesla卡是較好的選擇。
❸ 感覺nvidia開普勒構架計算能力太弱了 雙精度閹割沒了都 quadro k5000渲染AE還
開普勒為了提升能耗比，將雙精度閹割殆盡，大概只剩下24分之一，費米之前是二分之一。
K5000的雙精度只有90GF，而Q4000的雙精度是240GF，接近三倍的差距。
Nvidia希望用戶多用CUDA做通算，或者選擇GK110核心的產品，比如K6000(雙精度1700GF)，商人使然。
❹ nvidia顯卡和CUDA版本關系
CUDA capability sm_86：算力8.6
上面表面上是說PyTorch，實際上是PyTorch依賴的CUDA版本的問題
翻譯一下就是：RTX 3080的算力是8.6，但是當前的PyTorch依賴的CUDA版本支持的算力只有3.7、5.0、6.0、6.1、7.0、7.5及3.7以下
https://docs.nvidia.com/cuda/ampere-compatibility-guide/index.html#application-compatibility-on-ampere
翻譯一下就是：
算力7.0的顯卡可以在支持最高算力7.5的CUDA版本下運行，但是算力7.5的顯卡不可以在支持最高算力7.0的CUDA版本下運行
同理算力8.x的顯卡不可以在支持最高算力7.x的CUDA版本下運行
直接用最新版本的cuda，肯定就可以讓所有顯卡都可以用
缺點：pytorch不一定支持最新版本的CUDA
如上圖，pytorch支持最新版本的CUDA為11.1，但是CUDA最新版本為11.2，裝了CUDA11.2就用不了pytorch
看CUDA文檔
https://docs.nvidia.com/cuda/ampere-compatibility-guide/index.html#building-ampere-compatible-apps-using-cuda-10-0
CUDA10.x最高支持算力7.x
另一種理解CUDA10.x支持Volta伏打架構和Turing圖靈架構的顯卡
https://docs.nvidia.com/cuda/ampere-compatibility-guide/index.html#building-ampere-compatible-apps-using-cuda-11-0
CUDA11.0最高支持算力8.0（註：這感覺應該是8.x）
另一種理解CUDA11.0支持Ampere安培架構的顯卡
https://developer.nvidia.com/zh-cn/cuda-gpus#compute
https://blog.csdn.net/weixin_43751285/article/details/109648689
❺ 如何釋放cuda算力
計算侍乎可讓您在深度學習、嵌入式視覺、雷達等領域加速計算密集型演算法。藉助 GPU Coder™，您可以通過為 NVIDIA® GPU（比如 NVIDIA DRIVE、Jetson 及 Tesla®）自動生成優化的 CUDA 代碼，加速現有 MATLAB® 演算法。
下載此白皮書，了解如何從 MATLAB 中開發的演算法生成優化的 CUDA 代碼：
准備 MATLAB 代碼以便生成 GPU 代碼
在 NVIDIA GPU 上生成、測試和部署生成的 CUDA 代碼
優化代碼提高性能
白皮書通過一個基於深度學習的交通信號檢測為例，展示了工作流程。白皮書還提供了老遲悉旦賀與其他深度學習框架相比，從 MATLAB GPU Coder 生成 CUDA 代碼的性能基準。
❻ gtx960m 2G顯卡可以玩兒無人深空嗎
無人深空配置要求：系統：Windows 7處理器：Intel Core i3，內存：8G，顯卡：GTX 480，你這個GTX960M 2G是筆記本電腦顯卡，性能相當於台式GTX750ti差不多，GTX480相當於GTX660差不多，所以你顯卡只能低效玩這個游戲，
❼ gtx 1660 的cuda計算能力是多少
當然支持。之前持續跑了一個星期tensorflow，任務管理器可以看到Cuda佔有率100%，電費都多了20塊錢。
tensorflow顯示GTX 1660的計算能力為7.5。應該沒這么高，估計6.1。
使用其GPU計算1000萬的矩陣乘法，速度大概是CPU( i59代) 的200倍。