然而，另一个需要考虑的重要因素是，并非所有架构都与 cuDNN 兼容。由于几乎所有的深度学习库都使用 cuDNN 做卷积运算，这就限制了对于 Kepler GPU 或更好 GPU 的选择，即 GTX 600 系列或以上版本。最主要的是 Kepler GPU 通常会很慢。因此这意味着你应该选择 900 或 1000 系列 GPU 来获得好的性能。

为了大致搞清楚深度学习任务中的显卡性能比较情况，我创建了一个简单的 GPU 等价表。如何阅读它呢？例如，GTX 980 的速度相当于 0.35 个 Titan X Pascal，或是 Titan X Pascal 的速度几乎三倍快于 GTX 980。

请注意：我没有所有这些显卡，也没有在所有这些显卡上跑过深度学习基准。这些对比源于显卡规格以及计算基准（有些加密货币挖掘任务需要比肩深度学习的计算能力）的比较。因此只是粗略的比较。真实数字会有点区别，但是一般说来，误差会是最小的，显卡的排序也没问题。

也请注意，没有充分利用 GPU 的小型网络会让更大 GPU 看起来不那么帅。比如，一个 GTX 1080 Ti 上的小型 LSTM（128 个隐藏单元；batch 大小大于 64）不会比在 GTX 1070 上运行速度明显快很多。为了实现表格中的性能差异，你需要运行更大的网络，比如 带有 1024 个隐藏单元（而且 batch 大小大于 64）的 LSTM。当选择适合自己的 GPU 时，记住这一点很重要。

GPU 性能的粗略对比（2017 年 4 月 9 日）。注意：此对比仅适用于大计算量任务。

性价比分析（主要新增部分）

如果参照上图，将所有 GPU 的性能除以各自的价格，我们就得到了性价比的分析图，它一定程度上影响了我们在文末的建议。

性价比分析使用了新 GPU 在美国亚马逊的价格，以及旧 GPU 在 eBay 上的价格。请注意：这一对比在很多方面可能存在偏差，例如它没有考虑 GPU 内存大小的问题。

虽然 GTX 1050Ti 的性价比遥遥领先，但这是在没有考虑内存的情况下算出的，在应用时，1050Ti 的内存常常不能满足需求，这意味着你只能被迫选择那些单位价格性能较低的高端显卡。同样，你也很难用 4 块小 GPU 代替 1 块大 GPU 执行任务，因为小 GPU 存在很多缺点。所以你不能简单地通过买 16 块 GTX 1050 Ti 来试图达到 4 块 GTX 1080 Ti 的性能，因为这可能意味着你需要多买三台计算机——性价比反而低了。如果考虑这些细节的话，性价比的对比图应该是这样：

将其他硬件价格考虑在内后，各型号 GPU 的性价比。参考状态为：一个机箱，承载 4 块 GPU，价值 1500 美元的高端主板和 CPU。

所以，在实际情况下，如果你想要更高的性能，毫无疑问大 GPU 更有性价比。当然这一对比可能仍然存在偏差。因为每个人的预算都不是无限的。在给定资金的情况下，哪种 GPU 是最合适的？你的 GPU 在被升级前要使用几年？这些问题还有待解决。

所以在装机上做出选择并不容易。不过如果你充分考虑了所有问题，你所得出的结论应该与下面的推荐类似。

GPU 推荐（更新幅度较大）

总的来说，我会推荐 GTX 1080 Ti 、GTX 1080或者 GTX 1070。它们都是优秀的显卡，如果你买得起 GTX 1080 Ti 就入手吧。GTX 1070 更加便宜点，但是仍然比普通的 GTX Titan X (Maxwell) 要快一些。GTX 1080 比 GTX 1070 性价比要低一点，但是，既然 GTX 1080 Ti 价格跌得厉害，那么现在 GTX 1080 就与 GTX 1070 有的一拼。考虑到增加的内存（11G 和 8G），这三张显卡应该比 GTX 980 Ti 更值得选择。