A：因为做视频编码要有很多条件，比如说分辨率、码流，包括压缩的质量，差别都是比较大的。在 P4 上是有两个 Incoding，它是一个做这种视频编解码性价比非常高的一个产品。关于同时处理多少路视频，因为它的涉及的场景是比较多的，我们跟 CPU 做过对比，大概是 CPU 的 7 倍，所以说它相比一些 CPU 平台它是非常好的加速平台。

6.cuDNN 是简单升级软件就可以得到这么高的加速吗？

A：因为 cuDNN 要提升原有程序的性能，同时要对新的架构做支撑，另外一点，需要去支撑更多软件层的加速，综合这三个层面，软件加硬件，它会有一个比较高的性能提升。如果是简简单单的升级一个 cuDNN，知识对原有的层也会有加速，但是效果要根据具体的情况来去定。

7. 非公版的显卡 SDK 支持会不同吗？

A：一般做计算的话都是基于 Tesla 平台做的，所以有一些客户他们可能在 GeForce 上做，可能会遇到一些问题。这些问题有可能是由于 GeForce 显卡在出厂时，筛选流程、本身硬件上关于计算的部分是有问题的，这样的问题是很难去定位的，一般出现这种问题我们都是建议客户在 Tesla 平台上去运行一下，如果还有问题，可以把问题反馈给我们，我们可以帮你去做一些分析；如果是在 GeForce 显卡上来做的话，是由于硬件问题，还是由于其他问题引起的，不是很好判断。

8.TensorFlow 使用 GPU 时，使用 Spark，和 k8s 平台的兼容性？k8s 平台在兼容性和性能上有没有差别？

A：因为 TensorFlow 跟 Spark 是两个功能的平台，这种对比是不太好比较的。TensorFlow 肯定是可以去支持 GPU 的，如果你原来想用 Spark 也去支持 GPU 平台，这两个 GPU 平台搭建的过程中是没有任何影响的。用 Docker 去做一个隔离，同时去使用 GPU 平台是没有问题的。

9.CUDA 8 只能在 3.7 级以上计算能力的显卡上才能被安装，所以新旧款 GPU 是否不能同时在一起工作？

A：因为 CUDA 的升级是跟软件、硬件的升级有关系的，一般它会向下两代产品做兼容。另外要做深度学习的训练，搭建一个训练的集群的话，也不可能把不同架构的 GPU 卡插在一个 GPU Server 内使用，这样本身它的计算能力都不是对等的，在分配的任务中，没有办法去做到一个 GPU 卡分的少，一个 GPU 卡分的多。但是我们可以新的卡跟老的卡一块去用，我指的是一个 GPU Server 内部，插的 GPU 卡性能是一样的，多个 GPU，可以把相同的 GPU 归为一类，作为一个队列来使用。其他的 GPU 卡，作为另外一个队列来去使用，这样可以充分发挥原有 GPU 的卡的效率。

10.GTX 1080Ti 做深度学习效果好吗？

A：这个就涉及到了 GeForce 卡跟 Tesla 卡的一个区别，GeForce 卡主要是做游戏渲染的，包括 GTX 1080Ti 都是做游戏卡去用的。游戏卡的应用场景，一般就是短时间内要求这个 GPU 的计算能力非常高，因为在玩儿游戏的过程中，某一时刻的这个渲染的计算量要求的非常高。但是在做深度学习的应用时，持续要求的这种计算量是非常大的，所以说它的应用场景是不一样的。如果是说，你用 GTX 1080Ti 去做深度学习的训练，它的持续性，对 GPU 持续的压力非常大。一段时间以后，它老化的程度，或者它的稳定性就会有很大的问题。在这种情况下，如果再做深度学习，有可能得到的训练的效果是不准确的，这样就可能会影响到整个这种研发的进度。我建议大家，做开发、做一些功能性的验证、做简单的测试，你可以用 GeForce 卡，但是要构建一个专业的深度学习训练平台，达到企业级的效果的话，还是推荐用 Tesla 相关的卡来做。

11.Tesla P4 能否应对大规模的运算？

A：这个大规模我不知道怎么来理解，P4 本身我们的定位是作为 Inference 的运算类型，作为一个现象处理。构建一个 GPU 的云平台来去处理客户的 AI 的应用请求，这个量真的非常大。比如谷歌做一个搜索平台，他们可以专门做搜索机器的量，可能有上万台的机器，机器跟机器之间相当于来是一个独立的单元，比如说做一个视频处理，在一个深网内部，插一块 P4，可以处理 20 路的这种应用请求；插 8 个，就可以处理 160 路的这种应用请求，所以当你的视频非常多，P4 可以去构建一个非常大的 P4 集群来去承载这些这种运算模式，这个是没有问题的，但是说如果指的大规模的运算是训练的模式，我还是建议你采用 P40，或者是 P100 来去做，因为 P40 跟 P100 它在单个 GPU 卡上的核数会更多，Memory 也会更大，这样在训练过程中，应付大规模的训练，它的性价比也会更高一些。

12.GPU 现在工业生产领域有哪些应用？