如何评价RTX2080Ti 22G魔改版？
省流，买，推荐，无他。
2080Ti~22g：目前(2024年12月底)，可以找到2400-2500店保一年的，尽量选口碑好的。
这张卡能力均衡，是平民/垃圾佬的Ai神器，同样也是来路不明nv骑士的典范，生产力老手。
大显存，高算力，高带宽，功耗合理，噪音散热可接受，还支持nvlink扩展。在我看来，它的唯一缺点就是Turing架构有一丢丢老了，但比volta又要好一丢丢。至于矿不矿反而不重要。
到手验证，一般是压测，比如甜甜圈、gpu-burn，备选cuda-samples、mlperf，以及跑你的目标任务，验证工况下功耗散热稳定性，以及噪音容忍度。
2500附近的同一价位，能买到：
V100-sxm2-16g~PCIe(转接卡，训练向)
V100-pcie-16g-定制(核心搬板，训练向)
2080Ti~22g(显存扩容，训练推理兼顾)
3070~16g(显存扩容，推理日常兼顾)
4060ti-8g(16g要捡漏，推理日常环保)
性能参考：
深度学习我觉得关注这么些参数就足够了。但要说性价比大多数新卡(主要是专业卡和数据中心卡)费拉不堪。
我认为，深度学习的生产力提升关键在于混合精度训练(mixed-precision-training)和低精度推理。放弃pascal及以前任何没有tensor core的加速卡。除非你有非常明确的目标，比如依赖显存大小的传统单精度计算，并且有严格的预算，才考虑p100/p40。
V100可以提供超越3090/4080的混合精度算力，适合深度学习训练，但因为volta作为最初代tensor core，不支持int8/int4加速，量化推理没有优势。
⚠️从CUDA 12.8开始，英伟达官方不再对maxwell(cc 5.2/5.3)、pascal(cc 6.0/6.1)、volta(cc 7.0) 提供更新，它们被标记为过时架构，选择时需要评估。
2080Ti~22g，特点如前，推荐。精度不支持tf32/bf16/fp8/fp4，库不支持flash-attn:2+，影响需要根据实际研判。
T10-16g x2，小众思路，T4平替。单宽全高全长，150w供电，被动散热，TU102支持nvlink，纸面算力和2080类似，没具体接触，不详评。(添加于25年2月初，感觉deepseek-r1使这块卡价格探底回升)
3070~16g或者择机捡漏上4060ti-16g，更适合入门选手，什么都想试试，推荐新架构。这个价位上目前还能买到A2，但只有3050的性能明显不太够看。
Ampere和Ada架构相比Turing的优势，一是工艺改进带来的能耗优化，二是支持更多的数据类型在tensor加速，比如bf16甚至fp8，附带就是flash-attention(2+)依赖硬件架构，这些改进都足够面向未来。
25年初，补充一点关于Blackwell架构50系消费级显卡的信息，新架构进一步支持更低精度的FP4加速，新的架构/技术对游戏友好，可以关注16G入门卡，比如还没发布的5060Ti，但提升可能极其有限。
下表的图是1月初根据发布会推测，白皮书来了(nvidia-rtx-blackwell-gpu-architecture)，看了一下，基本正确，不改了。
算力跃升的直接原因是工艺的进步，带来更多的单元和更高的频率，架构的改良更多是在功能特性上反映。
纸面算力：PeakPerf = cuda_FP32 = CUDAs x BoostClock x 2 / 1M(将单位转为Tflops)
Tensor算力可以笼统理解为纸面算力乘上一个系数，这个系数不同系列产品线略有区别。
AI算力是老黄ppt的话术，怎么大怎么来，只要言之成理即可。稀疏的INT4/FP4算力可以是单精度(FP32)纸面算力的32倍，从ampere就开始支持，白皮书里也有，但老黄只是按需往ppt上写。
实际算力测试显示，优化较好的gemm可以跑到纸面算力的8-9成，而一般我们的任务不可能只跑gemm，所以能跑到5-6成的算力已经很不错了。
如何去测量本地矩阵乘算力，可以直接在知乎搜「cuda矩阵乘优化」或者「cuda矩阵乘测量」关键字。
关于功耗，TDP可以理解为加速卡满负载稳定运行的平均功耗，而不是尖峰功耗，尖峰功耗可能是TDP的150%，所以要注意电源的选择。
限制功耗也是一种方案，从实测中看到，各代高端消费卡在限制10%功耗时，实际性能(非纸面算力)损失不到5%，限制20%功耗时，实际性能损失不到10%，再限制功耗就会有大于线性性能下降的损失。
具体可以参考以下文章，方法里边有描述。
RTX3090-GPU-Wattage-Limited-MaxQ-TensorFlow-Performance深入研究GPU选型及参数影响，可以参考这篇文章，知乎里边也有翻译版本。
The Best GPUs for Deep Learning in 2023 — An In-depth Analysis要是还想进一步探索关于整机的思路，可以看我之前夏天写的一篇，那个时候刚给朋友装了服务器。
配深度学习主机，预算1.8W，请问各位大佬这个配置如何？
