n卡什么值得挖 a卡和n卡挖矿哪个好

一、现在什么卡值得买,是不是矿卡

介绍如下：

首先是英伟达家的，30系显卡可以说是全面矿卡了，而且30系显卡本身也推出没多久时间，一般电脑玩家不可能立即淘汰电脑上的，除了性价比不高的3060以外，其他30系的显卡如果已经在二手市场上，而且价格较便宜，那么极大概率就是矿卡。

3060ti更是30系矿卡首选，10系和20系当中的1660s同样是挖矿性价比极高的一张矿卡，其他主要就是1060，1070，1070ti，1080，1080ti2060，2070。

A卡的话580是绝对不能碰的，其余的还有5700同样是矿场老板首选，可以说除了个别老型号以及产量低的新型号，基本已经是全员矿卡了。

显卡的产品介绍：

显卡又称显示卡，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和AMD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，显示芯片是显卡的主要处理单元，因此又称为图形处理器。

GPU是NVIDIA公司在发布GeForce256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。

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。

二、独立显卡什么牌子的好

独立显卡的好的品牌有：七彩虹、影驰、索泰、华硕、蓝宝石。

1、七彩虹

七彩虹科技发展有限公司是国内著名的DIY硬件厂商，主要生产显卡和主板。七彩虹显卡算是我国显卡生产商中非常知名的品牌，进入到今年已经成为了出货量最高的品牌，这个品牌的显卡最大的特点就是高性价比。七彩虹显卡主要分为九段、烈焰战神X-TOP、烈焰战神-U、冰封骑士等四个系列。

2、影驰

影驰是香港公司GALAXY Technology的系列品牌产品，1999年开始进军显卡市场，主攻NVIDIA显卡，最近几年显卡在国外市场拥有不错的份额，做工用料相对还不错，属于二线品牌，影响显卡走的路线跟七彩虹类似，主攻性价比。

3、索泰

索泰显卡产品的特点主要是做工用料扎实、性能较高，也正是这两个特点让索泰在显卡市场拥有非常高的声誉和实力。但其价格相对偏高，性价比不如七彩虹和影驰。

服务方面，索泰ZOTAC有强劲的销售及支持团队，索泰产品偏重性能的表现，在用料和做工方面与众不同，因此品牌定位也将定位于中高端，主要针对对显卡性能、稳定性比较敏感的用户。

4、华硕

华硕显卡在做工和用来方面自然获得了用户的一致好评，也正是这样导致华硕显卡偏贵，很多普通用户不敢入手，而对于注重品质的玩家还是蛮喜欢华硕显卡的。华硕显卡拥有高稳定性和寿命的持久性。因此，华硕显卡才能得到超频的游戏体验，不仅绿色环保，而且降低能耗，避免了化学物质的污染。

华硕显卡主要分为ROG玩家国度系列、骑士系列和Mini系列等三个系列，这三个系列分别从高端、中端、低端。

5、蓝宝石

蓝宝石的公司名称叫做蓝宝科技，总部位于中国香港，是AMD最大的AIB。其工厂为原ATI公版卡生产厂柏能，有着十九年的A卡制造经验，而且原厂A卡一直由蓝宝工厂制造。蓝宝石显卡的生产过程、质量控制和出厂方式均严格执行ATI的生产标准，采用优质电子元器件及附件，稳定性、兼容性都非常出色。

独立显卡的主要参数

1、显示芯片是显卡最重要的核心组成部分，就是通常所说的GPU，显示芯片是整台电脑精密度最高的两个部件之一(另一个是CPU)，它的性能好坏直接决定了显卡性能的好坏，民用级的显卡主要采用英伟达(俗称N卡)和AMD(俗称A卡)的显示芯片。

2、显卡的核心频率是指显示核心的工作频率，因为一块显卡性能强弱需要参考多方面因素，所以在显示核心不同的情况下，核心频率高并不代表该显卡的性能强。

三、如何辨别二手显卡是否值得入手

咱们来一样一样的说

首先来说显卡，要根据你想玩的游戏来定，一般网游二手的N卡960或者1060都吃的开，不是特别吃显卡的单机也还可以，不过矿难刚结束不久，80%的1060都是矿卡，看运气吧；A卡手里有一张574，多数游戏都玩的开，价格500以下。

辨别矿卡的话就是看背板芯片是否发黄，大概得出厂日期关系到你能用多久，不是挖矿特别久的也可以考虑，毕竟用超低的价格能够玩大部分游戏，还是值得的，不过能用多久就得看运气了。

其次，显示器，关注一下具体型号，搜一下上市时间，一般都是别人淘汰下来的，二三百也可以考虑，再贵的二手就算了，1000多上个新的，对自己眼睛好点，毕竟你要天天对着它。

内存，新的最近有些小降价，各个国产品牌也都还可以，二手的便宜可以考虑，但千万别是什么没听过的牌子，用段时间你就会发现蓝屏什么的都会找上你。

固态二手就算了吧，毕竟都有一定的寿命，丢点什么总归是不好的，现在有的牌子能做到七八毛1G了，何必剩那点钱买二手，稍好点的三星、英特尔、WD黑盘都不错。

四、什么样的显卡好

最关键的是看价格，越贵当让越好了。出专业卡价格太离谱外

n卡低端 g、低端 gt系列、gtx为高端和中端

gtx670，中6是显卡代数、7为在这代显卡中的位置， 0不算

gt没有x的为低端产品

后面有m的比如gt650m，属于笔记本上的。

显卡的做工主要从三方面来判断：

1.PCB板设计；2.元件用料；3.生产工艺。目前大多数的显卡都采用PCB板ATI和nVIDIA两大厂商的公版设计，而且所谓的公版设计也主要指的是PCB板。小编感觉采用公版设计的产品性能要好一些，但这并不绝对。有实力的厂商完全有能力自己独立开发更优秀的PCB板，进一步挖掘显卡的潜力，但是有这样实力的产品也仅限于那些知名度高一些的品牌。大家在购买的时候应该多注意显卡背面的PCB板编号，然后到相关的网站查询是否是公版。要是没有PCB板编号，大家就要从其他方面考虑显卡的做工了，例如品牌、元件用料等等。

五、什么GPU最好

根据全面定性定量的实验结果，截至2018年10月8日，NVIDIA RTX 2080 Ti是现在最好的深度学习GPU（用单个GPU运行Tensoflow）。以单GPU系统的性能为例，对比其他GPU，它的优劣分别是：

FP32时，速度比1080 Ti快38%；FP16时，快62％。在价格上，2080 Ti比1080 Ti贵25%

FP32时，速度比2080快35%；FP16时，快47％。在价格上，2080 Ti比2080贵25%

FP32时，速度是Titan V的96%；FP16时，快3％。在价格上，2080 Ti是Titan V的1/2

FP32时，速度是Tesla V100的80%；FP16时，是Tesla V100的82%。在价格上，2080 Ti是Tesla V100的1/5

请注意，所有实验都使用Tensor Core（可用时），并且完全按照单个GPU系统成本计算。

深入分析

实验中，所有GPU的性能都是通过在合成数据上训练常规模型，测量FP32和FP16时的吞吐量（每秒处理的训练样本数）来进行评估的。为了标准化数据，同时体现其他GPU相对于1080 Ti的提升情况，实验以1080 Ti的吞吐量为基数，将其他GPU吞吐量除以基数计算加速比，这个数据是衡量两个系统间相对性能的指标。

训练不同模型时，各型号GPU的吞吐量

对上图数据计算平均值，同时按不同浮点计算能力进行分类，我们可以得到：

FP16时各GPU相对1080 Ti的加速比

FP32时各GPU相对1080 Ti的加速比

可以发现，2080的模型训练用时和1080 Ti基本持平，但2080 Ti有显著提升。而Titan V和Tesla V100由于是专为深度学习设计的GPU，它们的性能自然会比桌面级产品高出不少。最后，我们再将每个GPU的平均加速情况除以各自总成本：

FP16时各GPU相对1080 Ti的每美元加速情况

FP32时各GPU相对1080 Ti的每美元加速情况

根据这个评估指标，RTX 2080 Ti是所有GPU中最物有所值的。

2080 Ti vs V100：2080 Ti真的那么快吗？

可能有人会有疑问，为什么2080 Ti的速度能达到Tesla V100的80%，但它的价格只是后者的八分之一？答案很简单，NVIDIA希望细分市场，以便那些有足够财力的机构/个人继续购买Tesla V100（约9800美元），而普通用户则可以选择在自己价格接受范围内的RTX和GTX系列显卡——它们的性价比更高。

除了AWS、Azure和Google Cloud这样的云服务商，个人和机构可能还是买2080 Ti更划算。但这不是说亚马逊、微软、Google这些公司“人傻钱多”，Tesla V100确实有一些其他GPU所没有的重要功能：

如果你需要FP64计算。如果你的研究领域是计算流体力学、N体模拟或其他需要高数值精度（FP64）的工作，那么你就得购买Titan V或V100s。

如果你对32 GB的内存有极大需求（比如11G的内存都不够存储模型的1个batch）。这类情况很少见，它面向的是想创建自己的模型体系架构的用户。而大多数人使用的都是像ResNet、VGG、Inception、SSD或Yolo这样的东西，这些人的占比可能不到5%。

面对2080 Ti，为什么还会有人买Tesla V100？这就是NVIDIA做生意的高明之处。

2080 Ti是保时捷911，V100是布加迪威龙

毕竟如果你有买布加迪威龙的钱，你可以买一辆保时捷，外加一幢房子、一辆宝马7系、送三个孩子上大学和一笔客观的退休金。

原始性能数据

FP32吞吐量

FP32（单精度）算法是训练CNN时最常用的精度。以下是实验中的具体吞吐量数据：

FP16吞吐量（Sako）

FP16（半精度）算法足以训练许多网络，这里实验用了Yusaku Sako基准脚本：

FP32（Sako）

FP16时训练加速比（以1080 Ti为基准）

FP32时训练加速比（以1080 Ti为基准）

价格表现数据（加速/$1,000）FP32

价格表现数据（加速/$1,000）FP16

实验方法

所有模型都在合成数据集上进行训练，这能将GPU性能与CPU预处理性能有效隔离开来。

对于每个GPU，对每个模型进行10次训练实验。测量每秒处理的图像数量，然后在10次实验中取平均值。

计算加速基准的方法是获取的图像/秒吞吐量除以该特定模型的最小图像/秒吞吐量。这基本上显示了相对于基线的百分比改善（在本实验中基准为1080 Ti）。

2080 Ti、2080、Titan V和V100基准测试中考虑到了Tensor Core。

实验中使用的batch size

此外，实验还有关于硬件、软件和“什么是典型的单GPU系统”的具体设置，力求尽量还原普通用户的模型训练环境，充分保障了结果的准确性。