当下人工智能研究火热，对于GPU卡的需求也越来越大，越来越多的AI从业者与爱好者，开始选择租用一台GPU云服务器。GPU云服务器，简单来说，就是可以通过网络获取算力资源、存储资源和网络资源等的虚拟服务器，它用起来灵活便捷，能够快速部署，即开即用，支持多种应用场景，与自建算力集群相比，无需投入大量人力物力财力去购买和维护算力集群，算力需求方可以最大限度地根据项目需求快速扩展或缩减资源，有效降低成本。

在厚德云的算力服务平台，不仅有 L20，更有全系算力资源（3090、4090、A10、L20、T4、L40、A100、A800、H100、H800等，支持多种方式的灵活租赁），除了算力租赁之外，厚德云还为多行业提供深度定制的算力集群解决方案，配备专业的技术支持，社区和生态的支持，为用户提供真正的算力生态，以生态赋能服务，满足不同用户的不同需求。

现在，L20算力资源已经可以在厚德云灵活租赁，L20是英伟达推出的专业级图形处理单元（GPU），基于先进的 Ada Lovelace 架构设计，专为高性能计算和图形处理任务而打造，在自然语言处理、计算机视觉、机器学习、数据分析等场景都有着不俗的表现。

那么，L20的性能到底怎样？我们先从几个参数来一一解读。

L20显存：48GB

显存，即显卡内存，主要用来存放数据模型，决定了我们一次读入显卡进行运算的数据多少(batch size)和我们能够搭建的模型大小(网络层数、单元数)，是对深度学习人员来说很重要的指标，简单来说，显存越大越好。

L20的显存是48GB，相较于4090，大显存是L20的优势之一。

L20架构：Ada Lovelace

在显卡流处理器、核心频率等条件相同的情况下，不同款的GPU可能采用不同设计架构，不同的设计架构间的性能差距还是不小的，显卡架构性能排序为：Ada Lovelace > Ampere > Turing > Volta > Pascal > Maxwell > Kepler > Fermi > Tesla。

L20CUDA核心数量：10240

CUDA是NVIDIA推出的统一计算架构，NVIDIA几乎每款GPU都有CUDA核心，CUDA核心是每一个GPU始终执行一次值乘法运算，一般来说，同等计算架构下，CUDA核心数越高，计算能力会递增，能够更好地处理并行运算。

L20核心频率：1440~2520MHz

核心频率表示 GPU 的工作速度，即每秒钟处理的指令数，较高的核心频率意味着 GPU 能够更快地处理图像和图形数据，提供更流畅的图像渲染和更快的计算速度。

L20 的基础频率为 1440MHz，在运行过程中，在特定的工作负载和散热条件允许的情况下，可以提升到 2520MHz。

L20功耗：275W

功耗和散热保证了 GPU 在高负载情况下的稳定性和可靠性，低功耗和高散热性能也可以降低机箱温度，减少电费开支。

L20的功耗为275W，L40和V100的功耗在300W左右，4090的功耗则在450W。

L20浮点性能：FP32 59.35TFLOPS

浮点性能，是衡量计算机处理浮点运算能力的一个指标。通常用每秒浮点运算次数（缩写为 FLOPS）来表示，浮点性能越高，就能够更快地处理计算任务。

单精度(FP32)、半精度(FP16)、双精度(FP64)都是用于表示浮点数的不同精度标准，分别以 32 位、16 位、64 位存储。

以上就是一些主要的显卡参数解读，总的来说，判断一个GPU卡的性能，可以从显存、架构、CUDA核心数量、核心频率、单精度浮点性能、半精度浮点性能、功耗与散热、兼容性与驱动支持等方面考虑，同时也要考虑你要用GPU卡来做什么任务，有些卡在训练方面表现得更好，有些卡则更适合做推理任务，除了这些，还要看CPU、内存、磁盘性能等等，最后根据你的预算选一款能最大程度满足你的使用需求的GPU卡。

有了这个思路，我们再来看下面的选型指南，就好理解多了。

1、选择 CPU

GPU 与 CPU 的匹配：首先，要考虑 GPU 与 CPU 之间的匹配性。不同型号的 GPU 对 CPU 的要求不同，因此需要选择与所使用的 GPU 相匹配的 CPU 。通常，GPU的规格中会标明所需的最低 CPU 要求，可以参考这个要求来选择合适的 CPU 。

处理器核心数：其次，要考虑处理器的核心数。CPU 的核心数越多，可以同时处理的线程就越多，从而提高计算性能。对于需要进行大规模并行计算的应用，如机器学习、深度学习等，选择核心数较多的 CPU 能够更好地发挥 GPU 的计算能力。

频率与缓存大小：除了核心数外，CPU 的频率和缓存大小也会对计算性能产生影响。频率越高，计算速度越快；而缓存越大，能够存储的数据量就越多，从而减少对内存的读写次数，提高计算效率。

平台兼容性：此外，还需要考虑 GPU 云服务器所采用的平台。不同的平台对 CPU 的要求也有所不同，因此需要选择与所用平台兼容的 CPU 。

功耗与散热：最后，还需要考虑 CPU 的功耗和散热情况。高性能的 CPU 通常会消耗更多的功耗，产生更多的热量，因此需要确保服务器的散热系统能够有效降低温度并保证稳定运行。

综上所述，选择 GPU 云服务器的 CPU 时，应考虑与 GPU 的匹配性、核心数、频率与缓存大小、平台兼容性以及功耗与散热情况等因素。根据不同的应用需求和预算限制，选择最适合自己的 GPU 云服务器的 CPU 。

2、选择 GPU

将 GPU 架构大致分为五类的方式可能因人而异，但基于 NVIDIA 的 GPU 发展历程，我们可以这样归纳：

传统图形处理架构：这是指那些专注于图形渲染和早期计算功能的架构，比如 NVIDIA 的 Fermi 架构之前的产品。这类架构主要关注于游戏和基本的图形应用。

通用计算架构：以 Fermi 架构为代表，标志着 GPU 开始广泛应用于通用计算领域。 Fermi 架构引入了完整的 GPU 计算架构，并加强了双精度支持，使得 GPU 在科学计算和工程仿真等领域发挥重要作用。

高效能计算架构：如 Kepler、Maxwell、Pascal 等架构，这些架构在提高效能的同时，也引入了诸如 GPU Direct 等技术，进一步增强了 GPU 在高性能计算 (HPC) 领域的应用能力。

人工智能与深度学习架构：Volta 架构引入了 Tensor Cores，专门用于加速深度学习和 AI 计算任务。随后的 Turing 架构继续推进AI计算能力，并引入了 RT Cores 支持实时光线追踪技术。

现代综合计算架构：包括 Ampere 及其后续的 Ada Lovelace 架构，这些架构不仅进一步提升了 AI 和光线追踪性能，还在图形计算、游戏体验以及专业计算领域达到了新的高度。

需要注意的是，上述分类是基于 NVIDIA GPU 的发展历程，而 GPU 市场中还有其他重要的玩家，如 AMD 和Intel，它们也有自己独特的 GPU 架构和技术路线。此外，随着技术的快速发展，新的架构和类别可能还会不断涌现。一般我们认为模型的一次训练应当在 24 小时内完成，这样隔天就能训练改进之后的模型。以下是选择多 GPU 的一些建议：

1块 GPU。适合一些数据集较小的训练任务，如 Pascal VOC 等。

2块 GPU。同单块 GPU，但是您可以一次跑两组参数或者把Batchsize扩大。

4块 GPU。适合一些中等数据集的训练任务，如 MS COCO 等。

8块 GPU。经典永流传的配置！适合各种训练任务，也非常方便复现论文结果。

3、选择内存

内存在充足的情况下一般不影响性能，但是由于实例相比本地电脑对内存的使用有更严格的上限限制（本地电脑内存不足会使用硬盘虚拟内存，影响是速度下降），比如租用的实例分配的内存是 128 GB ，程序在训练时最后将要使用 129 GB ，此时超过限制的这一时刻进程会被系统 Kill 导致程序中断，因此如果对内存的容量要求大，请选择分配内存更多的主机或者租用多 GPU 实例。如果不确定内存的使用，那么可以在实例监控中观察内存使用情况。

4、附：GPU型号简介

更多GPU选型指南，尽在厚德云官网「帮助中心」

---

「免责声明」：以上页面展示信息由第三方发布，目的在于传播更多信息，与本网站立场无关。我们不保证该信息(包括但不限于文字、数据及图表)全部或者部分内容的准确性、真实性、完整性、有效性、及时性、原创性等。相关信息并未经过本网站证实，不对您构成任何投资建议，据此操作，风险自担，以上网页呈现的图片均为自发上传，如发生图片侵权行为与我们无关，如有请直接微信联系g1002718958。