Комментарии 4
Одной из самых главных характеристик (количество терафлопсов) нет в таблице, а в тексте указано только для двух видеокарт.
Ну и в чем между ними разница с практической точки зрения? Какая в разных задачах производительность на доллар? Для каких задач нужно покупать объем и скорость памяти, а для каких - количество ядер?
Это не совсем зависит от задач, это зависит больше от способов оптимизации обучения. Ядра обеспечивают скорость обработки загруженного куска датасета, а объем и скорость памяти - максимальный размер одновременно загружаемого куска датасета (условно говоря - батча). И то, и другое влияют на скорость обучения, чем больше - тем лучше.
Но субъективно, насколько мне известно, чем больше память, тем более сложные задачи вы можете решать (им банально нужно больше памяти за раз, и этот кусок должен целиком поместиться в память карты) и тем быстрее, а чем больше ядер - только быстрее (на сложность решаемых задач не влияет, только на скорость их расчета). Гонитесь за высокой сложностью моделей или работаете с данными огромных размерностей - старайтесь увеличивать память, чтобы моделька и батч данных в нее влезли.
некропост, конечно, но тут указано https://www.gpu-mart.com/blog/best-gpus-for-deep-learning-2023
Топ-10 видеокарт для машинного обучения