你不，我不，200。可惜我要干机器深度学习的活了，没法继续等了，只能微星3060-12GB显卡先上岸了。没上岸的兄弟，明年4080和4070显卡就要来了，目前AMD的7系列显发布了，可以等一等。

2022年11月12日晚上下的单，花了2499元（买两块的话是2449元，为什么选微星？因为华硕和技嘉贵呀 ），微星RTX 3060-12GB，京东自营3年售后，有问题找京东。下面介绍我的显卡选购策略。

1、游戏显卡选购策略：一看显卡跑分二看游戏帧数

2、机器学习/机器训练/AI显卡选购攻略：一看运算力、二看显存大小等

解答1:为什么不用CPU来搞机器学习呢？

解答2:机器学习用专业显卡是不是更好？

解答3:机器学习有什么用？ 举个例子：上传你的X光片到网上就能查出你是否有乳腺癌，准确率90%

解答4:为什么不用AMD显卡做机器学习/机器训练/AI人工智能训练？

1、游戏显卡选购策略：一看显卡跑分二看游戏帧数

如果你的显卡买来是为了玩游戏，那就买跑分高的显卡，下表是video card benchmark网站上跑分超过1万分的显卡，显卡跑分越高性能越好（显卡跑分有很多，例如3DMark benchmark等，基本上各大网站的测试跑分大同小异）。下表的显卡，是2022年10月30日在京东商城查到的目前还在售卖的全新显卡，但是像1060、1080现在还在卖的这些老型号的“全新卡”，很有可能是翻新卡或者是库存卡，请注意。

网上有不同显卡在不同游戏中的帧数统计表，例如1080P分辨率下的不同游戏下的显卡帧数见下表：

也有4K分辨率下不同显卡的帧数（见下图）。上图和下图的数据来自抖音的某位知名主播，侵删。

如果你买显卡就是为了玩游戏，那就买跑分高、游戏帧数高的就是了。一般来说，显卡跑分越高、游戏帧数越高，也就是性能越高的显卡越贵。

2、机器学习/机器训练/AI显卡选购攻略：一看运算力二看显存大小等

非常重要的一点：做机器学习的显卡，目前公认的只推荐，不推荐AMD。如果你要搞机器学习/AI/机器训练，为了避免麻烦，不要买A卡。

为什么机器学习的显卡只推荐英伟达，AMD的显卡你要买来做机器学习也不是不可以，但是你会浪费非常多的不必要时间在调试和解决问题上，所以业界推荐选英伟达，不要选AMD的卡，这是业界普遍的认识。

机器学习显卡选购，第一是看运算力。运算力可以去英伟达官网查看（见下图）：

我将英伟达官方推出的“显卡算力”截图下来给大家看（见下图）。

从下图的“算力”可以看出，目前3050、3060、3070、3090Ti的显卡算力相同，都是8.6分。这个“显卡算力”不等同于我们理解的显卡玩游戏的性能，可以大致认为是显卡跑“机器学习/AI/机器训练”的算力。

从下图也可以看出，1080Ti这种老旗舰显卡的算力只有6.1分，而2080Ti的显卡算力是7.5分。950M这款笔记本显卡的算力只有5.0分（也就是说，用950M这种旧笔记本显卡来做机器学习也是可以的，只是比较慢而已）。

机器学习显卡第2是要看显存大小，显存越大越好；CUDA,Tensor核心越多越好；显存位宽越大越好。

显存小的显卡，如果遇到机器训练的项目非常大，有可能爆显存导致无法运行，需要重新编写程序。

当然什么都是越大越好，只是价格会更高。

低预算的深度学习显卡选购策略

如果资金不充裕，也要尽量选显存8GB以上的显卡，下图是国外搞深度学习的网友推荐的低预算显卡，下表的这些显卡，包括1070、1080基本停产了。本文只推荐京东自营+京东售后的显卡，不考虑矿卡，毕竟要干活的，不能因为翻修或者退换货浪费时间 。

现在买京东全新的3050的8GB显卡，从英伟达官网查到的3050显卡的算力是8.6分（这个8.6分不是玩3D游戏的跑分），即使预算比较低，还是尽量选3050级别的卡。还在卖3050的品牌有微星、华硕、技嘉、铭瑄、盈通等，大概1800元-2300元之间。微星、华硕、技嘉是一线品牌，铭瑄、盈通等是二线品牌。 不确定3050是否矿的话，买3050尽量选微星、华硕、技嘉等京东自营和京东售后的一线品牌，矿的可能性会少一点，能少一点是一点 。

华硕、微星、技嘉是一线品牌。

中等预算的深度学习显卡选购策略

中等预算我推荐3060-12GB的显卡，目前京东自营全新的大概2500元左右。下图是国外搞深度学习的网友推荐的中等预算的显卡，下表的2060显卡现在基本停产了。中等预算建议买12GB显存的显卡。

玩游戏选3060Ti-8GB，因为3060Ti的游戏性能比3060提升了19.6%。19.6%这个提示值，我是这么算出来的，3060跑分17064，3060Ti跑分20408，（）/%，如果你只是玩游戏，3060Ti更好，比3060提升了近20%的性能。玩游戏，如果预算高，还可以买3070、3080或者4090。

做机器学习选3060-12GB，因为3060-12GB比3060Ti-8GB多出来的4GB显存，可以让你干更多的AI训练的活。3060Ti-8GB遇到一些吃显存的项目，会比较郁闷。

3060的显卡品牌，还有、等，这两个品牌我没有用过，无法发表意见，懂的朋友请留言。

高预算的深度学习显卡选购策略

预算高的话，买4090很合适，24GB显存非常强劲。下图是国外搞深度学习的网友推荐的高预算的显卡，下表的3080Ti、3090等显卡，现在基本上还是很难买到。预算高的朋友，直接24GB显存起步，至少也要16GB。

京东自营有一款磐镭的3080-10GB的显卡，价格是4900元，但不确定是否有可能是矿翻，毕竟大家都说30系全矿

磐镭RTX/TI守恒系列涡轮版显卡游戏图形设计/人工智能/深度学习独立显卡【RTX3080-10G】更高性能/土豪金版4899元京东去购买

4090刚出来，放心买，肯定不是矿，只是比较贵而已。

乞丐版机器深度学习玩法

如果只有核显，可以用来做深度学习吗？当然可以。如果不想花钱买显卡，一样可以做深度学习，单独用CPU就可以做深度学习，只是机器训练花的时间比较长而已。有GPU的话，会节省机器训练花费的时间。如果没有预算买显卡，可以翻出以前旧的950M显卡，至少还能用。

解答1:为什么不直接用CPU来做机器学习呢？

因为GPU比CPU更适合干这个活。包括Tensorflow、PyTorch等库都支持GPU加速（见下表）。直接用CPU来做深度学习，会花比较长的时间。GPU花一个小时完成的事情，只靠CPU来做的话，可能要几十个甚至上百个小时。时间还是比较宝贵的，不能把时间浪费在一直等着出结果上面 。

解答2:机器学习用专业显卡是不是更好？

英伟达有一款A100的专业显卡，A100用来搞机器学习/人工智能训练/机器训练是非常强大的，这款A100显卡的显存是80GB（见下图），它就是为机器学习/AI训练而生的。美国禁止这款性能强劲的A100出口到我国，为了赚钱，英伟达马上宣布搞了一款阉割版的A800，说符合美国的出口管制，老黄说A800可以卖给我们了。

回答上面的问题：如果你不缺钱，机器学习可以用英伟达的专业显卡例如Tesla系列，但是这些显卡超级贵，除非你不花钱，普通人使用这些卡不划算，你看A100显卡卖1万4美金一张（其他型号的专业显卡也不便宜，超贵），1张A100可以买7张4090显卡了。用4090来做机器学习已经非常够用了。

解答3:机器学习有什么用？ 一个例子：上传你的X光片到网上就能查出你是否有乳腺癌，准确率90%

有人买显卡是为了挖矿。

有人买显卡是为了对抗癌症，造福全人类

有个叫coolwulf的人，coolwulf原名姜浩，本科毕业于南京大学物理系,博士毕业于密歇根大学核工程和放射科学系。他为了开发出筛查乳腺癌的方法，买了50张1080Ti显卡。别人买显卡是为了挖矿，coolwulf买显卡是为了做机器学习。coolwulf买显卡的时候，正是挖矿兴起的年代，在美国买1080Ti显卡，也要和矿工抢显卡。coolwulf于是找了很多朋友，用了很多张信用卡，不停在网站蹲点刷新，才买到手。最后他自费买了50张1080Ti，自费买的显卡，不用来挖矿，他用来做机器训练：

coolwulf 为了搭建这个机器深度学习模型，先在本地使用 50 个 Nvidia Geforce GTX 1080 Ti 的显卡作为运算的硬件，接着从欧洲和北美的研究组中获取了乳腺癌影像学的相关数据，用以设计和训练模型。最后，coolwulf搞出了这个X光片检测模型，大家可以自己上传自己的乳腺癌 X 光片到网站上，然后通过模型检测迅速得到乳腺癌的诊断结果，诊断准确率已经达到 90%，媲美专业医生的准确度。而且他这个模型还是免费的，每个人都可以上传自己的X光片（见下图），模型会免费给出诊断结果。如果模型发现X光片异常，会提醒你去看医生进一步确认。

除了挖矿，显卡可以用来进行机器学习/机器训练/AI人工智能训练，通过更多人的努力，以后我们还会看到显卡通过人工智能训练，造福人类的案例。所以大家看，买显卡的，除了游戏玩家，还有搞机器学习的朋友。但愿国产显卡早日普及，将价格打下来吧。

解答4:为什么不用AMD显卡做机器学习/机器训练/AI人工智能训练？

如果你是高手，专业级别的高手，非常高手程序猿，顶级高手，你也可以买A卡来做AI训练。普通人如果不是顶级高手的话，只建议买N卡。只能说英伟达布局机器学习比较早，老黄砸下去的钱，慢慢开花结果了。AMD要在这一块抢老黄的市场，还需要时间。也许AMD时间都花在CPU上面了，毕竟AMD被Intel摩擦很多年了，近几年好不容易翻身，暂时没时间布局机器学习。

我4年多没换显卡了，目前靠一块1060-3GB的显卡来勉强度日。蹭着双十一，该买还是要买的 。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～