❶ 2022-01-21 查看显卡算力
笔者GeForce RT 710显卡，装的是792版本驱动，查看GPU信息，提示支持到CUDA11.4，遂装了11.4版本的CUDA，
首先验证CUDA环境是安装成功的
但是在安装paddle后，执行paddle验证函数时，提示错误
查资料说是显卡算力不足。
在NVIDIA网站查看显卡对应的算力表： https://developer.nvidia.com/zh-cn/cuda-gpus#compute
也可以在执行Python脚本获取显卡算力信息
❷ 显卡的算力和张数有关吗
1、SP总数=TPC&GPC数量*每个TPC中SM数量*每个SM中的SP数量；
TPC和GPC是介于整个GPU和流处理器簇之间的硬件单元，用于执行CUDA计算。特斯拉架构硬件将SM组合成TPC（纹理处理集群），其中，TPC包含有纹理硬件支持（特别包含一个纹理缓存）和2个或3个SM，后面会有详细描述。费米架构硬件组则将SM组合为GPC（图形处理器集群），其中，每个GPU包含有一个光栅单元和4个SM。
2、单精度浮点处理能力=SP总数*SP运行频率*每条执行流水线每周期能执行的单精度浮点操作数；
该公式实质上是3部分相乘得到的，分别为计算单元数量、计算单元频率和指令吞吐量。
前两者很好理解，指令吞吐量这里是按照FMA（融合乘法和增加）算的，也就是每个SP，每周期可以有一条FMA指令的吞吐量，并且同时FMA因为同时计算了乘加，所以是两条浮点计算指令。
以及需要说明的是，并不是所有的单精度浮点计算都有这个峰值吞吐量，只有全部为FMA的情况，并且没有其他访存等方面的限制的情况下，并且在不考虑调度效率的情况下，才是这个峰值吞吐量。如果是其他吞吐量低的计算指令，自然达不到这个理论峰值。
3、双精度浮点处理能力=双精度计算单元总数*SP运行频率*每个双精度计算单元每周期能进行的双精度浮点操作数。
目前对于N卡来说，双精度浮点计算的单元是独立于单精度单元之外的，每个SP都有单精度的浮点计算单元，但并不是每个SP都有双精度的浮点单元。对于有双精度单元的SP而言，最大双精度指令吞吐量一样是在实现FMA的时候的每周期2条（指每周期一条双精度的FMA指令的吞吐量，FMA算作两条浮点操作）。
而具备双精度单元的SP数量（或者可用数量）与GPU架构以及产品线定位有关，具体为：
计算能力为1.3的GT200核心，第一次硬件支持双精度浮点计算，双精度峰值为单精度峰值的1/8，该核心目前已经基本退出使用。
GF100/GF110核心，有一半的SP具备双精度浮点单元，但是在geforce产品线中屏蔽了大部分的双精度单元而仅在tesla产品线中全部打开。代表产品有：tesla C2050，2075等，其双精度浮点峰值为单精度浮点峰值的一半；
geforce GTX 480，580，其双精度浮点峰值为单精度浮点峰值的大约1/8左右。
其他计算能力为2.1的Fermi核心，原生设计中双精度单元数量较少，双精度计算峰值为单精度的1/12。
kepler GK110核心，原生的双精度浮点峰值为单精度的1/3。而tesla系列的K20,K20X,K40他们都具备完整的双精度浮点峰值；geforce系列的geforce TITAN，此卡较为特殊，和tesla系列一样具备完整的双精度浮点峰值，geforce GTX780/780Ti，双精度浮点峰值受到屏蔽，具体情况不详，估计为单精度峰值的1/10左右。
其他计算能力为3.0的kepler核心，原生具备较少的双精度计算单元，双精度峰值为单精度峰值的1/24。
计算能力3.5的GK208核心，该卡的双精度效能不明，但是考虑到该核心定位于入门级别，大规模双精度计算无需考虑使用。
所以不同核心的N卡的双精度计算能力有显著区别，不过目前基本上除了geforce TITAN以外，其他所有geforce卡都不具备良好的双精度浮点的吞吐量，而本代的tesla K20/K20X/K40以及上一代的fermi核心的tesla卡是较好的选择。
❸ 感觉nvidia开普勒构架计算能力太弱了 双精度阉割没了都 quadro k5000渲染AE还
开普勒为了提升能耗比，将双精度阉割殆尽，大概只剩下24分之一，费米之前是二分之一。
K5000的双精度只有90GF，而Q4000的双精度是240GF，接近三倍的差距。
Nvidia希望用户多用CUDA做通算，或者选择GK110核心的产品，比如K6000(双精度1700GF)，商人使然。
❹ nvidia显卡和CUDA版本关系
CUDA capability sm_86：算力8.6
上面表面上是说PyTorch，实际上是PyTorch依赖的CUDA版本的问题
翻译一下就是：RTX 3080的算力是8.6，但是当前的PyTorch依赖的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
翻译一下就是：
算力7.0的显卡可以在支持最高算力7.5的CUDA版本下运行，但是算力7.5的显卡不可以在支持最高算力7.0的CUDA版本下运行
同理算力8.x的显卡不可以在支持最高算力7.x的CUDA版本下运行
直接用最新版本的cuda，肯定就可以让所有显卡都可以用
缺点：pytorch不一定支持最新版本的CUDA
如上图，pytorch支持最新版本的CUDA为11.1，但是CUDA最新版本为11.2，装了CUDA11.2就用不了pytorch
看CUDA文档
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
另一种理解CUDA10.x支持Volta伏打架构和Turing图灵架构的显卡
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（注：这感觉应该是8.x）
另一种理解CUDA11.0支持Ampere安培架构的显卡
https://developer.nvidia.com/zh-cn/cuda-gpus#compute
https://blog.csdn.net/weixin_43751285/article/details/109648689
❺ 如何释放cuda算力
计算侍乎可让您在深度学习、嵌入式视觉、雷达等领域加速计算密集型算法。借助 GPU Coder™，您可以通过为 NVIDIA® GPU（比如 NVIDIA DRIVE、Jetson 及 Tesla®）自动生成优化的 CUDA 代码，加速现有 MATLAB® 算法。
下载此白皮书，了解如何从 MATLAB 中开发的算法生成优化的 CUDA 代码：
准备 MATLAB 代码以便生成 GPU 代码
在 NVIDIA GPU 上生成、测试和部署生成的 CUDA 代码
优化代码提高性能
白皮书通过一个基于深度学习的交通信号检测为例，展示了工作流程。白皮书还提供了老迟悉旦贺与其他深度学习框架相比，从 MATLAB GPU Coder 生成 CUDA 代码的性能基准。
❻ gtx960m 2G显卡可以玩儿无人深空吗
无人深空配置要求：系统：Windows 7处理器：Intel Core i3，内存：8G，显卡：GTX 480，你这个GTX960M 2G是笔记本电脑显卡，性能相当于台式GTX750ti差不多，GTX480相当于GTX660差不多，所以你显卡只能低效玩这个游戏，
❼ gtx 1660 的cuda计算能力是多少
当然支持。之前持续跑了一个星期tensorflow，任务管理器可以看到Cuda占有率100%，电费都多了20块钱。
tensorflow显示GTX 1660的计算能力为7.5。应该没这么高，估计6.1。
使用其GPU计算1000万的矩阵乘法，速度大概是CPU( i59代) 的200倍。