【显卡】AMD和Nvidia显卡系列&相关对比（A100 vs RTX4090）

admin 管理员组

文章数量: 887021

【显卡】AMD和Nvidia显卡系列&相关对比（A100 vs RTX4090）

文章目录

• 【显卡】AMD和Nvidia显卡系列&相关对比（A100 vs RTX4090）
• • 1. 介绍
  • 2. Nvidia显卡
  • • 2.1 分类（不同系列）
    • 2.2 相关对比
    • • 2.2.1 A100 和 RTX3090（4090）
    • 2.2.2 对比网站
  • 3. AMD显卡
  • • 3.1 分类
  • 4. 对比
  • • 4.1 AMD 和 Nvidia显卡对比
    • 4.2 建议
  • 参考

1. 介绍

在【显卡】一文搞懂显卡 详细解释了显卡。不懂的小伙伴可以去看看。

显卡（Video card、Display card、Graphics card、Video adapter）是个人计算机基础的组成部分之一，将计算机系统需要的显示信息进行转换驱动显示器，并向显示器提供逐行或隔行扫描信号，控制显示器的正确显示，是连接显示器和个人计算机主板的重要组件，是“人机”的重要设备之一，其内置的并行计算能力现阶段也用于深度学习等运算。

• 显卡又称显示卡( Video card)，是计算机中一个重要的组成部分，承担输出显示图形的任务，对喜欢玩游戏和从事专业图形设计的人来说，显卡非常重要。
  • 主流显卡的显示芯片主要由NVIDIA（英伟达）和AMD（超威半导体）两大厂商制造，通常将采用NVIDIA显示芯片的显卡称为N卡，而将采用AMD显示芯片的显卡称为A卡。
• 配置较高的计算机，都包含显卡计算核心。在科学计算中，显卡被称为显示加速卡。
• 显示芯片( Video chipset)是显卡的主要处理单元，因此又称为图形处理器(Graphic Processing Unit，GPU)。
  • GPU是NVIDIA公司在发布GeForce 256图形处理芯片时首先提出的概念。尤其是在处理3D图形时，GPU使显卡减少了对CPU的依赖，并完成部分原本属于CPU的工作。
  • GPU所采用的核心技术有硬件T&L（几何转换和光照处理）、立方环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、双重纹理四像素256位渲染引擎等，而硬件T&L技术可以说是GPU的标志。
• 显卡所支持的各种3D特效由显示芯片的性能决定，采用什么样的显示芯片大致决定了这块显卡的档次和基本性能，比如NVIDIA的GT系列和AMD的HD系列。
• 衡量一个显卡好坏的方法有很多，除了使用测试软件测试比较外，还有很多指标可供用户比较显卡的性能，影响显卡性能的高低主要有显卡频率、显示存储器等性能指标。

本文我们主要讲讲两个著名显卡芯片公司的产品。

• AMD（超威半导体）：农企，红厂
• Nvidia（英伟达）：老黄家，绿厂 ；

Nvidia和AMD，实际上并不是显卡的牌子，它们是专门生产显卡中最重要的显示芯片。就好比是两家专门生产汽车中发动机的厂商一样，它们本身并不生产整辆汽车。采用了英伟达或者AMD显示芯片的显卡，一般被人们叫做英伟达显卡或者AMD显卡。

• 像华硕、微星、技嘉、七彩虹、影驰、索泰、蓝宝石这类名字，才是显卡的牌子。

2. Nvidia显卡

NVIDIA，也就是俗称的N卡，是专业视觉计算领域的领导者，1999年研发的GPU极大推动了PC游戏市场的发展、重新定义了现代计算机图形技术，并彻底改变了并行计算。现在，GPU深度学习为现代 AI 这个全新计算时代提供了新动力。

其一大特色是对AI生态的适应（CUDA）广泛应用于AI领域（beat AMD）。CUDA技术，一种基于NVIDIA图形处理器（GPU）上全新的并行计算体系架构，让科学家、工程师和其他专业技术人员能够解决以前无法解决的问题，作为一个专用高性能GPU计算解决方案，NVIDIA把超级计算能够带给任何工作站或服务器，以及标准、基于CPU的服务器集群　CUDA是用于GPU计算的开发环境，它是一个全新的软硬件架构，可以将GPU视为一个并行数据计算的设备，对所进行的计算进行分配和管理。在CUDA的架构中，这些计算不再像过去所谓的GPGPU架构那样必须将计算映射到图形API（OpenGL和Direct 3D）中，因此对于开发者来说，CUDA的开发门槛大大降低了。CUDA的GPU编程语言基于标准的C语言，因此任何有C语言基础的用户都很容易地开发CUDA的应用程序。 由于GPU的特点是处理密集型数据和并行数据计算，因此CUDA非常适合需要大规模并行计算的领域。CUDA除了可以用C语言开发，也已经提供FORTRAN的应用接口，未来可以预计CUDA会支持C++、Java、Python等各类语言。可广泛的应用在图形动画、科学计算、地质、生物、物理模拟等领域。2008年NVIDIA推出CUDA SDK2.0版本，大幅提升了CUDA的使用范围。使得CUDA技术愈发成熟。

2.1 分类（不同系列）

英伟达(NVIDIA)是美国一家专业的计算机图形芯片制造商，英伟达显卡市场份额占据全球第一的位置，英伟达的显卡产品系列涵盖GeForce、Quadro、Tesla、NVS、GRID等，满足不同领域的应用需求。

• GeForce显卡：GeForce显卡是英伟达公司推出的主流消费级显卡，其型号包括GTX1050、GTX1050ti、GTX1060、GTX1070、GTX1080、GTX1080ti、RTX2060、RTX2070、RTX2080、RTX2080ti、RTX3080（90）、RTX4080（90）等。

  • GeForce显卡的主要功能是用于高性价比的家庭娱乐，比如游戏、影音、图形设计等，支持VR技术也是主流GeForce显卡的一大特色。
  • 英伟达20系显卡之后使用了全新的RTX前缀，而其最大的亮点就是采用了光线追踪的技术，那么与此前的GTX相比还有什么区别？
    • 1）在NVIDIA显卡中，从2004年的Geforce 6800系列开始就有【GT】的代号，代表着中高端显卡或者是加强版显卡，比如6600GT和6800GT，到了2005年的7800系列之后便引入了【GTX】的代号，直接代表着高端或者顶级显卡。进入GTX400系列以后，当时还有象征中低端的【GTS】命名，后来就连【GTS】也没有了，全部的独立显卡统称为【GTX】，仅用后面的数字大小来区分性能等级，至今GTX1000系列显卡一直延续着这样的命名方式；
    • 2）20系列之后的显卡中，由于新增了光线追踪的特性，因此由原来的GTX前缀改为RTX，这里的【RT】就代表着光线追踪（ray tracing的缩写），象征着RTX2080显卡拥有非常强大的光线追踪性能；得益于采用全新的【图灵】架构和RT计算单元，因此RTX20系列的显卡有着更为出色的光线追踪性能，并实现了即时处理游戏光线追踪的条件；
    • 3）除了在核心上面的更新以外，在显存上，也从原来的GDDR5X升级为最新的GDDR6，在带宽、频率和功耗方面都有着更为出色的表现；
    • 4）流处理器区别，显卡中的流处理器越多，则说明性能越强，RTX2080的流处理器为2944个，而GTX1080的流处理器为2560个，流处理器方面提升了15%左右；
    • 5）制造工艺区别。GTX1080基于是16纳米制造工艺，而RTX2080是基于最新的12纳米制造工艺，很显然工艺数字约越小，说明越好。采用最新的12nm工艺，会让晶体管数量大幅提升但有一部分划分到了Ray Tracing Core（光线追踪核心）上了，虽然面积也增大了，但晶体管的密度是提高了；
    • 6）TDP和供电区别，由于RTX2080由于晶体管数和核心面积都变大了，TDP功耗也随之提升。

• Quadro显卡：Quadro显卡是英伟达公司推出的专业级显卡，其型号包括Quadro K620、Quadro K1200、Quadro K2200、Quadro K4000、Quadro K4200、Quadro K5000、Quadro K5200、Quadro P400、Quadro P600、Quadro P1000、Quadro P2000、Quadro P4000、Quadro P5000、Quadro P6000等。

  • Quadro显卡主要是针对设计、建模、视觉分析等专业领域，其优势在于高计算性能、低功耗、低延迟等，无论是专业的设计师还是专业的游戏玩家都可以通过Quadro显卡体验更好的绘图流畅度。

• Tesla显卡：Tesla显卡是英伟达公司推出的深度学习用显卡，其型号包括Tesla K40、Tesla K80、Tesla P4、Tesla P40、Tesla P100、Tesla V100、Tesla T4、Tesla M40、Tesla M60、A40、A100、A800等。

  • Tesla显卡的主要功能是用于超级计算机的深度学习，比如图像处理、语音识别、机器学习、物体检测等，相比GeForce显卡的性能更加强悍，可以支持更高的计算速度。

• NVS显卡：NVS显卡是英伟达公司推出的多屏显示用显卡，其型号包括NVS 310、NVS 315、NVS 510、NVS 810、NVS 510M、NVS 810M等。

  • NVS显卡的主要功能是用于多显示器的驱动，比如工程设计、金融分析、智能展示等，可以支持多达8个显示器的显示，而且支持4K分辨率，支持三明治拼接等，可以满足多显示器的高端需求。

• GRID显卡：GRID显卡是英伟达公司推出的虚拟化用显卡，其型号包括GRID K1、GRID K2、GRID M60-1Q、GRID M60-2Q等。

  • GRID显卡主要是针对虚拟化技术而设计的，可以支持虚拟桌面、虚拟机器学习等，可以支持多个用户同时访问一台服务器，而且支持虚拟桌面可以支持多屏显示，可以满足大规模的虚拟化部署。

总的来说，英伟达显卡大全及其型号有GeForce、Quadro、Tesla、NVS、GRID等，各类型号的显卡都有其自身的优势，可以满足不同领域的应用需求。英伟达显卡的市场份额占据全球第一的位置，也深受全球用户的喜爱和认可，令英伟达的显卡更加的受欢迎。

2.2 相关对比

2.2.1 A100 和 RTX3090（4090）

参数上A100只有19.5T fp32浮点，而3090有35T，本以为3090会比A100快（不使用混合精度的情况下），但是看了网上几篇对比文，居然发现都是A100比3090要快？而且还快不少？

这其实是一个非常有意思的问题，但很多回答都没有抓住重点。

• 首先说结论，A100 在深度学习应用上面远比 3090 快，这一点是有人亲自测试过的。
• 其次，如果我们打开 3090 和 A100 在 NVIDIA 官网的参数，会发现 A100 只有 20 TFLOPS FP32 浮点，但 3090 却有 32 TFLOPS，似乎 3090 会快很多。
  • 但是，如果我们仔细了解 Ampere 架构之后就会发现，这个参数仅仅是 CUDA core 的性能。Ampere 配置了第三代支持 BF16 和 TF32 的 tensor core ；
  • 如果算上这部分算力，A100 有 312 TFLOPS BF16 和 156 TFLOPS TF32 (with FP32 accumulation)，而 3090 的 tensor core 被老黄硬生生砍了一刀，只有 71 TFLOPS BF16 和 35 TFLOPS TF32 (with FP32 accumulation)；
  • 也就是说 tensor core 这方面 3090 只不到 A100 四分之一的性能。

因此，在深度学习里，不管你是用 CNN 还是 Transformer，绝大多数的浮点计算量都集中在矩阵乘法上面，而这部分的负载恰好能用 tensor core 运行。即便不主动使用混合精度， 一些框架也会默认使用 TF32 进行矩阵计算，因此在实际的神经网络训练中，A100 因为 tensor core 的优势会比 3090 快很多。

再来说一下二者的区别：

• 两者定位不同，Tesla系列的A100和GeForce 系列的RTX3090，现在是4090，后者定位消费级，前者定位数据中心；
• 主要还有2方面不同：
  • 1、显存 ：A100有40G 和80G 显存两个版本，对于很多需要大显存场景有绝对优势，大显存在量级处理速度上也会有巨大差距；
  • 2、双精度计算能力：Tesla系列的A100具备较强的双精度计算能力，GeForce 系列的RTX3090、4090几乎没有双精度计算能。

对于需要科学计算精度的科研来说，只能选择A100这样的双精度计算能力强的GPU，要不然花了时间做出来的结果也不正确。

2.2.2 对比网站

• V100 vs A100
  

想要对比更多的GPU型号，可以去这个网站：芯参数评测

3. AMD显卡

AMD的显卡我们俗称的A卡，其实最早A卡并不是AMD的而是ATI的，ATI在2006年被AMD以54亿美元的巨资收购了，成为了AMD的一部分，此后AMD宣布放弃ATI品牌，将旗下所以显卡都统一更名为AMD。

说起AMD，作为搞计算机AI领域的，虽然也有与cuda对应的rocm，但是确实不如Nvidia对于AI生态的适应。AMD在深度学习确实非常费劲，rocm只有linux系统下支持，你还得双系统。另外官方兼容列表只有6800系列，6700/6600以下和更早的a卡还得折腾，不能保证能运行。总而言之纯粹是玩票产物，离生产力差的太远。

再说起AMD显卡，什么560，560d，560xt，500x系列，584，588，590，5882048sp，vega，raedon是不是一下就懵逼了呢？

• 其实就是AMD新老显卡交织同时卖，N卡的老黄那边产品线有条不紊；
• AMD只能一代一代套马甲提频换名勉强跟着，光命名混乱是不一定导致型号混乱，真正的混乱还是产品之间定位有严重重叠或者某个价格段段有空缺。
  • 以R9 280、R9 280x、R9 285、R9 285x、R9 380、R9 380x为例，这些卡还有许多不同的显存版本，价格差距也在500元以内，这是真的混乱。

此外AMD卡清库存的速度比隔壁（Nvidia）慢，甚至有时候两代马甲卡能一起卖半年，进一步加剧了这种混乱（拿不出新架构，新核心，疯狂马甲炒冷饭导致的AMD产品线混乱），总的来说，AMD是走一步看一步，而Nvidia是看一步走一步。

说完AMD卡型号混乱，疯狂马甲炒冷饭，但是A卡还是有自己的优势：

• 拿玩游戏来说A卡确实没有N卡优化的好，但A卡注重图形渲染性能和通用运算性能的提升，画面效果比N卡更好；
• 同级别的价格也N卡便宜些。

3.1 分类

• 首先是前缀，这几年AMD新显卡的前缀都是RX开头，如RX580、RX5700、RX6900等，

  • 三代之前的前缀又分为R9（高端），R7（中端），R5、R3（低端），再往前追溯就是远古时期的HD了。

• 然后就是中间的数字，RX580就表示第5代，这个数字越大越好。后面的数字也是越大越好，

  • RX580性能高于RX570，RX570性能高于RX550。

• 最后就是后缀了，X2表示双芯片，这个是AMD同代产品里面最好的，

  • 比如R9 295 X2（R9 295 X2虽然是上一代的旗舰但性能比RX590还要强，X表示完整核心，XT超级版，GE BOOST，XT PRO表示加强版，D表示核心阉割）。

• 需要注意的是RX400系与RX500系之后并不是600系，而是RX Vega系列，比如RX Vega56和RX Vega64，对标的是GTX1080。50周年纪念版RX5700、RX5700XT，其对标的是英伟达的RTX2060/2070。

• 看不懂没关系，下面给大家带上一张显卡的天梯度，有点老，你就可以一眼看到各类显卡，不同型号的位置排名，RX 6000>RX 5000>RX 400/500/Vega>Radeon R300>Radeon R200>Radeon HD。（可以点击图片之后放大观看）。
  

最后也是总结一下，A卡的优势在于：

• 性能比更高，在同价位上性能是强于N卡，同级别的GTX1660和RX590，后面的要便宜几百块。

当然，A卡也有缺点：

• 和游戏厂商的关系没有N卡好，驱动稳定性也差一点。

4. 对比

4.1 AMD 和 Nvidia显卡对比

• 1、GPU流处理器不同。
  • amd的显卡: amd显卡的GPU中每个流处理器的5个流处理单元都是固定的，不能拆开重组，每个流处理器只能处理一条4D指令，有一个流处理器单元闲置，但却无法加入其他组合来共同工作。
  • 英伟达的显卡:英伟达显卡的GPU中每个流处理器都具有完整的ALU功能，在发出一条操作指令时每个流处理器都能充分工作。
• 2、架构执行不同。
  • amd的显卡: amd显卡的架构优势在于理论运算能力，但执行效率不高，对于复杂多变的任务种类适应性不强，需要软件上的支持才能发挥应有性能。
  • 英伟达的显卡:英伟达显卡架构执行效率极高，灵活性强，在实际应用中容易发挥应有性能，但功耗较难控制，较少的处理单元也限制了其理论运算能力。
• 3、多屏输出方面不同。
  • amd的显卡: amd显卡的强项，A卡可以做到单卡六屏输出，加上架构和显存的特性，即使在多屏高分辨率下，性能衰减也比对手要小。
    -英伟达的显卡：英伟达显卡在3D视觉技术方面，前期是N卡占优势，后是A卡占优，由于A卡3D视觉技术是免费开放的，选择性也更高。
• 4、来源不同。
  • N卡来自于nvidia公司，也是现在大部分显卡的开发公司之一。
  • A卡来自AMD公司，也是大家比较熟悉的CPU制造商之一。
• 5、架构对比不同。
  • n卡主要架构是控制单元，
  • a卡的执行单元是1d流处理器，架构上会稍有不同，但也无法说谁优谁劣。
• 6、功耗对比不同。
  • n卡的功耗通常要比a卡高一些，
  • 因为它的功耗控制比a卡差，但功耗高低通常会决定性能的强弱。
• 7、性能对比不同。
  • n卡在3d性能、游戏处理速度上更强一些，
  • 而a卡在2d平面画质、渲染的效果上要更强一点。
• 8、侧重点对比不同。
  • n卡侧重于3d，a卡侧重于2d，
  • 前者的效率高且灵活性也很强，后者的运算能力更强，当然这些是理论上的。

4.2 建议

前面几部分其实也说了，这里直接说结论吧。

• 选择中端和入门机型的时候，A卡N卡都可以用，A卡优先；
• 高端的选N卡，性能好稳定有光追；
• 另外如果搞AI的，建议N卡；
• 或者追求性价比，建议A卡。

参考

【1】https://www.zhihu/question/535130416/answer/2922531526
【2】https://www.knowbaike/it/60078.html

本文标签： 显卡 系列 AMD Nvidia amp