• 什么是 GPU 以及 CUDA 核心和 Tensor 核心的介绍
• 大模型应用中如何选择GPU和云服务厂商，追求最高性价比
• AI 领域的 GPU 对比
• 如何部署自己 fine-tune 的模型，向业务提供高可用推理服务
• GPU 显卡排名
• 一些相关参考链接
  

初识 GPU

硬件选型

当我们为模型训练及推理做硬件选型时，NVIDIA 几乎是唯一选择。这是一家全球知名的图形处理器（GPU）公司，成立于 1993 年。因为在 GPU 领域，尤其 AI 领域芯片的垄断性优势，其创始人黄仁勋被坊间称为「黄教主」

• NVIDIA 英伟达官网

  https://www.nvidia.cn/

• NVIDIA Studio 设计本和台式电脑对比

  https://www.nvidia.cn/studio/compare-gpus/

• NVIDIA 显卡排行榜

  https://technical.city/zh/video/nvidia-rating

什么是 GPU

Graphical Processing Units (GPUs)

• 图形处理单元(GPU)是一种功能强大的电子芯片，用于在沉浸式视频游戏、电影和其他视觉媒体中呈现丰富的 2D/3D 图形和动画

• 因其超越 CPU 的并行矩阵运算性能，所以也被广泛应用于人工智能相关的各种系统，包括机器视觉、NLP、语音识别、自动驾驶等

CUDA 核心和 Tensor 核心

CUDA 核心

• 是 NVIDIA 开发的并行计算平台和编程模型，用于 GPU 上的通用计算，就像是万能工人，可以做很多不同的工作
• 适合游戏和图形渲染、天气预测、电影特效等场景

案例 1：视频渲染 当一个电影制片公司决定制作一部具有高度视觉效果的 3D 电影时，他们需要大量的计算能力来渲染每一帧。这里，CUDA 核心非常有用，因为它们能够处理大量的细节，如光线追踪、纹理和阴影。例如，当一束光从一个光源反射到一个物体上，然后反射到摄像机上，CUDA 核心可以用来计算这个光线路径上的所有细节，确保最终的图像看起来真实并且美观。

Tensor 核心

• 中文叫：张量核心
• 专门设计用于深度学习中的矩阵运算，加速深度学习算法中的关键计算过程
• 适合语音助手、人脸识别等场景

案例 2：面部识别 安全系统、智能手机和许多应用程序现在都使用面部识别技术。这需要通过深度学习模型来识别人的面部特征。Tensor 核心在这里发挥关键作用，它们可以迅速地处理神经网络中的大量矩阵乘法和加法，确保面部识别既准确又快速。

AI 领域常用 GPU

AI 常用 GPU 价格排序

这个表格依据价格进行排序，价格从低到高。更多排名看后面《NVIDIA显卡排行榜》章节介绍。

• 有些在京东就能买到
• 美国商务部限制 GPU 对华出口的算力不超过 4800 TOPS 和带宽不超过 600 GB/s，导致最强的 H100 和 A100 禁售。黄教主随后推出针对中国市场的 A800 和 H800。
• 参考：

• 英伟达 A100 和 H100 已被禁止向中国供货

• 50 亿美元，算力芯片迎来狂欢，腾讯字节抢购英伟达 A800 订单

H100 与 A100

H100 比 A100 快多少？

16-bit 推理快约 3.5 倍，16-bit 训练快约 2.3 倍。

https://timdettmers.com/2023/01/30/which-gpu-for-deep-learning/

根据场景选择GPU

以下是我们为您提供的，基于显卡 4090 上的 chatglm 和 chatglm2 模型的 Fine tuning 实验数据概览：

llm-utils 上一些选型的建议

• Falcon 是目前为止 huggingface 上排行榜第一的模型

根据不同的使用情境，以下是使用的建议GPU：

不同情况推荐

• 对于本地个人研发项目，GeForce RTX 4090 等消费级 GPU 足以满足中等规模的需求。
• 对于公司的大规模数据和复杂模型，推荐使用如 NVIDIA A100 的高性能 GPU。
• 数据规模小时，可考虑预算内的 A10 或 T4 型号。
• 如果追求性价比，可以选择把 4090 显卡搭建服务器使用，也可以选择市面的第三方服务，比如：AutoDL 的 4090 服务

  
  

1、大模型内存选择

大模型训练需要高性能的计算机硬件来保证训练的效率和速度。建议选择具有高速的ECC或DDR5内存。现在训练时一般在 GLM 、 LLaMA 等大模型的基础上进行训练，国内会选择 A800/H800 x 8 的 GPU 配置，与此同时内存一般会选择相似大小以提升效率，常规选择 512 内存。

2、大模型所需磁盘

大模型训练需要存储大规模的数据集和模型参数，因此需要足够的存储资源来保证数据能够快速地被读取和处理。建议选择具有大容量、高速的存储设备，如 SSD 或 NVMe 固态硬盘。一般 4T-8T 不等。

3、推荐配置参考

GPU算力平台：大模型训练、自动驾驶、深度学习解决方案。

• A100/A800大模型训练配置分享

• 平台：SYS-420GP-TNAR（4U）
• CPU：2*8358（32核心，铂金版，2.6GHz 超频 3.4GHz）
• GPU：NVIDIA HGX A100/A800（80G SXM）
• 内存：32*64GB DDR4

• H100/H800大模型训练配置分享

• 平台：SYS-821GE-TNHR（8U）
• CPU：2*8468（48核心，铂金版，2.1GHz 超频 3.8GHz）
• GPU：NVIDIA HGX H100/H800（80G SXM5）
• 内存：32*64GB DDR5

物理机 vs. 云服务

• 如果经常做微调实验，有自己的物理机会方便很多很多
• 提供推理服务，首选云服务
• 如果有自建机房或 IDC，请随意

云服务厂商对比

国内主流

• 阿里云：https://www.aliyun.com/product/ecs/gpu
• 腾讯云：cloud.tencent.com/act/pro/gpu…
• 火山引擎：www.volcengine.com/product/gpu

国外主流

• AWS：aws.amazon.com
• Vultr：www.vultr.com
• TPU：cloud.google.com/tpu
  
  

TPU 是 Google 专门用于加速机器学习的硬件。它特别适合大规模深度学习任务，通过高效的架构在性能和能源消耗上表现出色。

它的优点和应用场景

1. 高性能和能效： TPU 可以更快地完成任务，同时消耗较少的能源，降低成本。
2. 大规模训练： TPU 适用于大规模深度学习训练，能够高效地处理大量数据。
3. 实时推理： 适合需要快速响应的任务，如实时图像识别和文本分析。
4. 云端使用： Google Cloud 提供 TPU 服务，允许用户根据需求使用，无需购买硬件。

适用于图像处理、自然语言处理、推荐系统等多个领域。在国外，科研机构、大公司和初创企业普遍使用 TPU。

NVIDIA GPU 在主流厂商的价对比

下面是对两款 NVIDIA GPU 在火山引擎、阿里云、腾讯云的价格进行对比：

• A100：在云服务中，A100 是顶级的企业级 GPU，适用于高性能计算需求。

• T4：相比之下，T4 更为经济，适合日常模型微调和推理任务。

NVIDIA A100：

NVIDIA T4：

算力平台

主要用于学习和训练，不适合提供服务。

• Colab：谷歌出品，升级服务仅需 9 美金。colab.google.com

• Kaggle：免费，每周 30 小时 T4，P100 可用。www.kaggle.com

• AutoDL：价格亲民，支持 Jupyter Notebook 及 ssh，国内首选。www.autodl.com

建议：若需高速下载，尤其依赖于 GitHub 或 Docker 官方镜像，建议选择国外服务器。

NVIDIA显卡排行榜

此网站能实时对比各种型号显卡

https://technical.city/zh/video/nvidia-rating

Top 100

下面截图给大家 Top 100，详细请看原文链接。