產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型浪潮迭起，各行各業(yè)都需要建立與自身商業(yè)模式適配的AI大腦，實現(xiàn)智慧經(jīng)營、智能決策。那么可以用Geforce代替Tesla來做深度學習嗎？畢竟價格上Geforce便宜太多了。

眾所周知，英偉達是顯卡界的老大，2017年英偉達的GPU芯片在全球市場的占有率為70%左右，無論是人工智能、自動駕駛，甚至搞電競、區(qū)塊鏈都繞不開英偉達的陰影。Tesla系類的價格是GeForce價格的數(shù)倍，所以現(xiàn)在不少廠商都是在用GeForce進行深度學習運算。

Geforce代替Tesla做深度學習理論上是可以的

有人專門做了對比，統(tǒng)計Geforce和Tesla顯卡兩者訓練的平均時間，雖然Tesla在標準測試中勝過了GeForce（但價格也擺在那），但是，也只獲得了1.25倍的加速，或者說，Tesla 系列顯示卡進行深度學習的訓練時間，相較 GeForce 系列顯示卡少了 20%，整體差距不是很大，但是價格方面，Tesla是GeForce卻是天上地下，足有數(shù)倍差距，所以綜合來看，GeForce無疑是性價比最佳的解決方案。

英偉達最初開發(fā)GPU是用于游戲的，產(chǎn)品線包括針對游戲的GeForce系列和用于高端處理器的Tesla系列。一組簡單的數(shù)字：

GeForce GTX 1080: PASCAL; 2560 CUDA cores; 8 TFLOPS (single-prec); 8 GB GDDRX5 320 GB/s; max 180 W.

Tesla P100: PASCAL; 3584 CUDA cores; 9.3 TFLOPS (single-prec); 16 GB HBM2 732 GB/s; max 250 W.

這樣看不直觀。有人專門做了對比[2]，下圖展示了訓練的平均時間。Tesla在基準測試中勝過了GeForce；但是，只有1.25倍的加速（或者說，訓練時間減少了20％）。在MNIST基準上看，差異并不明顯，可能是由于epoch速度太快。

英偉達禁止Geforce用于深度學習

2017年英偉達悄然修改了用戶許可協(xié)議，其中特別要求消費者級顯卡GeForce允許做區(qū)塊鏈處理，但禁止在數(shù)據(jù)中心使用GeForce顯卡做深度學習。

GeForce、Quadro與Tesla三款產(chǎn)品中最物美價廉的就是GeForce系列產(chǎn)品，它不僅僅只用于打游戲，性能上與其他兩類產(chǎn)品區(qū)別不大，有些服務(wù)器企業(yè)處于成本的考慮，會大量使用GeFoce顯卡，盡管Tesla是服務(wù)器專用的 GPU加速器，但8-10倍的價格差距，使得很多服務(wù)器和專注深度學習的企業(yè)寧愿選擇GeForce顯卡。

此次英偉達的禁令，就是明確劃分旗下產(chǎn)品的邊界，說得通俗一些，Geforce系列的GPU芯片就是用來打游戲的，如果想建數(shù)據(jù)中心，并且搞挖礦以外的事情的話，請買別的產(chǎn)品。這對于那些財大氣粗的巨頭企業(yè)來說也許影響不大，但對于中小機構(gòu)或是個人開發(fā)者而言，相當于變相提高了深度學習的門檻。

那還可以把Geforce用在數(shù)據(jù)中心嗎？

準確的說不是不允許在數(shù)據(jù)中心使用GeForce顯卡，而是禁止在數(shù)據(jù)中心授權(quán)配套軟件，換句話說就是，你還是可以正常買顯卡，但是沒有英偉達官方的軟件許可，使用 GeForce 進行深度學習訓練是幾乎無法進行的。修改后的英偉達GeForce軟件用戶使用協(xié)議，No Datacenter Deployment，軟件不能在數(shù)據(jù)中心使用。

不過很多人解讀是NVIDIA 在限制 GeForce 顯卡進行深度學習。這一推斷其實也是合理的，畢竟數(shù)據(jù)中心內(nèi)部署顯卡很少是用來玩游戲的。