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 3.7

    CUDA 10

    PyTorch 1.0 + fastai 1.0

    Nvidia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%。