1. 概念
显卡（Graphics Processing Unit，简称GPU）是计算机中用于处理图形相关运算的硬件设备，是现代计算机中不可或缺的重要组成部分。显卡的核心任务是生成计算机显示器上的图像，同时还广泛应用于人工智能、大数据计算和区块链等领域。
算力通常是运算能力，用于评价显卡等设备的性能。
TFLOPS：TFLOPS专指每秒可执行的万亿次浮点运算，专注于浮点运算的性能。
需要注意TFLOPS与TFLOPs的不同：
FLOPS：(Floating-point operations per second)的简称，每秒执行1万亿次浮点运算次数。比如NVIDIA的RTX4090单卡算力是82.58TFLOPS（FP32）；
FLOPs：(Floating point operations)缩写,末尾的s表复数，意指浮点运算数，理解为计算量, 主要用来衡量算法/模型的复杂度，比如YOLOv11n模型的FLOPs大概为6.4x10^9。
2. 显卡种类
显卡的优势主要体现在其强大的并行计算能力，能够高效处理大量的矩阵运算，这对于深度学习中的大规模神经网络训练至关重要。与传统的CPU相比，GPU具有更多的核心，能够同时处理更多的计算任务，这使得它在图像识别、自然语言处理等任务中表现出色。尤其是在训练大模型时，GPU能够显著缩短计算时间，提升训练效率。显卡目前有四类。
2.1 集成显卡/核心显卡
集成在 CPU 内部或主板上的显卡。
性能较低，适合基本的图形处理任务，如办公和视频播放。低成本、低功耗。
代表产品：Intel Iris Graphics、AMD Radeon Vega。
2.2 独立显卡
独立的硬件设备，通过 PCIe 插槽连接主板。
性能强大，适合游戏、视频编辑和高性能计算。
代表产品：NVIDIA GeForce、AMD Radeon。
2.3 专业显卡
针对特定行业设计，用于 CAD、3D 渲染、视频制作和科学计算。
优化了双精度计算性能和稳定性。
代表产品：NVIDIA Quadro、AMD Radeon Pro。
2.4 移动显卡
用于笔记本电脑，设计更加紧凑，功耗低。
性能略低于台式机显卡，但提供便携性。
3. 显卡排行榜
显卡界，有两家公司占据绝对主导地位：英伟达（NVIDIA俗称N卡）和AMD（俗称A卡）。
在深度学习训练中，最常用的显卡品牌是 NVIDIA ，提供了专门为深度学习优化的硬件和软件支持。
本表格数据来源于网络，不一定完全准确但基本准确。本文将整理后常用于深度学习的NVIDIA显卡（排除专业显卡）的TFLOPS性能排行按照从大到小的顺序如下，其中比例部分以RTX4090的TFLOPS 82.58为基准计算，最下方Intel核显仅为性能参考。（表格仅为TFLOPS大小排序，不代表使用性能强弱）
4. 查看本机显卡
查看当前电脑显卡的方式有很多，这里举例目前常用的Win10/Win11打开任务管理器的方法进行查看。
打开任务管理器的方法有多种：
1.快捷键组合：按下Ctrl+ Shift+Esc或Ctrl+Alt+Delete可以快速打开任务管理器；
2.开始菜单：点击屏幕左下角的“开始”按钮，在菜单中搜索“任务管理器”来打开；
3.右键菜单：右键点击任务栏空白处，选择“任务管理器”即可；
4.资源监视器：通过运行命令taskmgr来启动。
点击左侧性能，再下滑找到GPU，一般情况点击所有GPU查看哪个为独立显卡则默认使用的哪个，如本文中GPU 0的NVIDIA GTX 1660Super为当前电脑所用显卡。
如有错误欢迎在评论区指出，关注公众号获取更多资源~
1. 概念
显卡（Graphics Processing Unit，简称GPU）是计算机中用于处理图形相关运算的硬件设备，是现代计算机中不可或缺的重要组成部分。显卡的核心任务是生成计算机显示器上的图像，同时还广泛应用于人工智能、大数据计算和区块链等领域。
算力通常是运算能力，用于评价显卡等设备的性能。
TFLOPS：TFLOPS专指每秒可执行的万亿次浮点运算，专注于浮点运算的性能。
需要注意TFLOPS与TFLOPs的不同：
FLOPS：(Floating-point operations per second)的简称，每秒执行1万亿次浮点运算次数。比如NVIDIA的RTX4090单卡算力是82.58TFLOPS（FP32）；
FLOPs：(Floating point operations)缩写,末尾的s表复数，意指浮点运算数，理解为计算量, 主要用来衡量算法/模型的复杂度，比如YOLOv11n模型的FLOPs大概为6.4x10^9。
2. 显卡种类
显卡的优势主要体现在其强大的并行计算能力，能够高效处理大量的矩阵运算，这对于深度学习中的大规模神经网络训练至关重要。与传统的CPU相比，GPU具有更多的核心，能够同时处理更多的计算任务，这使得它在图像识别、自然语言处理等任务中表现出色。尤其是在训练大模型时，GPU能够显著缩短计算时间，提升训练效率。显卡目前有四类。
2.1 集成显卡/核心显卡
集成在 CPU 内部或主板上的显卡。
性能较低，适合基本的图形处理任务，如办公和视频播放。低成本、低功耗。
代表产品：Intel Iris Graphics、AMD Radeon Vega。
2.2 独立显卡
独立的硬件设备，通过 PCIe 插槽连接主板。
性能强大，适合游戏、视频编辑和高性能计算。
代表产品：NVIDIA GeForce、AMD Radeon。
2.3 专业显卡
针对特定行业设计，用于 CAD、3D 渲染、视频制作和科学计算。
优化了双精度计算性能和稳定性。
代表产品：NVIDIA Quadro、AMD Radeon Pro。
2.4 移动显卡
用于笔记本电脑，设计更加紧凑，功耗低。
性能略低于台式机显卡，但提供便携性。
3. 显卡排行榜
显卡界，有两家公司占据绝对主导地位：英伟达（NVIDIA俗称N卡）和AMD（俗称A卡）。
在深度学习训练中，最常用的显卡品牌是 NVIDIA ，提供了专门为深度学习优化的硬件和软件支持。
本表格数据来源于网络，不一定完全准确但基本准确。本文将整理后常用于深度学习的NVIDIA显卡（排除专业显卡）的TFLOPS性能排行按照从大到小的顺序如下，其中比例部分以RTX4090的TFLOPS 82.58为基准计算，最下方Intel核显仅为性能参考。（表格仅为TFLOPS大小排序，不代表使用性能强弱）
4. 查看本机显卡
查看当前电脑显卡的方式有很多，这里举例目前常用的Win10/Win11打开任务管理器的方法进行查看。
打开任务管理器的方法有多种：
1.快捷键组合：按下Ctrl+ Shift+Esc或Ctrl+Alt+Delete可以快速打开任务管理器；
2.开始菜单：点击屏幕左下角的“开始”按钮，在菜单中搜索“任务管理器”来打开；
3.右键菜单：右键点击任务栏空白处，选择“任务管理器”即可；
4.资源监视器：通过运行命令taskmgr来启动。
点击左侧性能，再下滑找到GPU，一般情况点击所有GPU查看哪个为独立显卡则默认使用的哪个，如本文中GPU 0的NVIDIA GTX 1660Super为当前电脑所用显卡。
如有错误欢迎在评论区指出，关注公众号获取更多资源~