晓查 发自 凹非寺

量子位 出品 | 公众号 QbitAI

最近，NVidia发布了Turing架构的入门级显卡RTX 2060，售价只需350美元（约2400元），在老黄家新一代RTX显卡里可谓是物美价廉。

就连上一代顶级显卡GTX 1080Ti价格也是居高不下，官方定价699美元（约4700元）买不到，你还得加价买。

RTX 2060虽然只是入门级显卡，但它有一项重要特性，就是加入了张量核心（Tensor Core），这使深度学习模型能够更好地在“FP16”上进行运行，理论上最多能缩短一倍训练时间。

△ RTX 2060规格参数

RTX 2060各方面的优劣势如下：

大约只有GTX 1080Ti一半多的CUDA核心（1920 vs 3584）；显存带宽只有1080Ti的70%（336 vs 484 GB/s）；有240个用于深度学习的张量核心，而1080Ti没有；功率160W，而1080Ti功率达250W；

更重要的是，作为新一代的“乞丐版”显卡，2060的价格只有1080Ti的一半！

加入张量核心，显存和CUDA核心数却比1080Ti少了近一半，在此消彼长的情况下，2060还适合用来做深度学习吗？如果你囊中羞涩，不妨看国外开发者的实际对比测试，也许能帮你省下一大笔钞票。

一位名叫Eric Perbos-Brinck的深度学习从业人员，分别在两张显卡上测试了CIFAR-10、CIFAR-100两个数据集在不同层数的ResNet上的表现。

运行环境

首先，我们看一下Eric的硬件配置：

CPU：AMD Ryzen 7 1700X 3.4GHz 8核

主板：MSI X370 Krait

内存：32GB DDR4

硬盘：1TB NVMe 三星960Evo

显卡：华硕GTX 1080Ti-11GB Turbo（800美元）、Palit RTX 2060–6GB（350美元）

软件环境：

Ubuntu 18.04 + Anaconda/Python 3.7CUDA 10PyTorch 1.0 + fastai 1.0Nvidia驱动版本：415.xx

在每次运行程序前，Eric都会把训练用的显卡切换到第二个PCIe插槽，由另一张卡负责显示器的输出工作，让显卡把性能100%用在训练模型上。

测试标准的内容是，在CIFAR数据集上训练ResNet模型，比较二者的运行时间，越短越好。

运行结果

为了测试结果的可比性，Eric运行了3个不同版本的Benchmark：

在相同batch size的条件下，运行FP32和FP16；

使用batch size扩大一倍的条件（从128增加到256），运行FP16 bs * 2。

话不多说，下面开始跑分。

CIFAR-10测试：运行30个epoch所需的时间，越短越好

CIFAR-100测试：运行30个epoch所需的时间，越短越好

结论：

RTX 2060 FP32在多项测试中性能垫底。当深度学习模型层数较少时，GTX 1080Ti性能更佳，随着层数增多，RTX 2060性能实现了反超，而且层数越多性能优势越大。在CIFAR-100上，RTX 2060的性能优势更明显，即便层数较少，在FP16上的性能也好于GTX 1080Ti。

总之，你的模型层数越多，而且是在半精度（FP16）条件下训练模型，那么用RTX 2060就越划算。

One More Thing

以上的结果都是显卡在100%负责训练模型的条件下测得的。

如果你不是土豪，只有一张显卡，进行深度学习运算的同时，显卡也在负责显示器的输出。这会对性能造成多大的影响？

Eric让显卡外接两个显示器，分辨率分别为1080p和1440p，测试结果如下：

可以看出，外接双屏幕对性能的影响不超过10%。

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态