更多频道内容在这里查看
爱奇艺用户将能永久保存播放记录
过滤短视频
暂无长视频（电视剧、纪录片、动漫、综艺、电影）播放记录，
按住视频可进行拖动
&正在加载...
收藏成功，可进入
查看所有收藏列表
当前浏览器仅支持手动复制代码
视频地址：
flash地址：
html代码：
通用代码：
通用代码可同时支持电脑和移动设备的分享播放
用爱奇艺APP或微信扫一扫，在手机上继续观看
当前播放时间：
一键下载至手机
限爱奇艺安卓6.0以上版本
使用微信扫一扫，扫描左侧二维码，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：
设备搜寻中...
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
连接失败！
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
部安卓（Android）设备，请点击进行选择
请您在手机端下载爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：
爱奇艺云推送
请您在手机端登录爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
180秒后更新
打开爱奇艺移动APP，点击“我的-扫一扫”，扫描左侧二维码进行登录
没有安装爱奇艺视频最新客户端？
【睿问】一下，遇见更好的自己！
正在检测客户端...
您尚未安装客户端，正在为您下载...安装完成后点击按钮即可下载
30秒后自动关闭
【睿问】一下，遇见更好的自己！">【睿问】一下，遇见更好的自己！
请选择打赏金额：
播放量12.7万
播放量数据：快去看看谁在和你一起看视频吧~
更多数据：
热门短视频推荐
Copyright (C) 2018 & All Rights Reserved
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制
正在为您下载爱奇艺客户端安装后即可快速下载海量视频
正在为您下载爱奇艺客户端安装后即可免费观看1080P视频
&li data-elem="tabtitle" data-seq="{{seq}}"& &a href="javascript:void(0);"& &span>{{start}}-{{end}}&/span& &/a& &/li&
&li data-downloadSelect-elem="item" data-downloadSelect-selected="false" data-downloadSelect-tvid="{{tvid}}"& &a href="javascript:void(0);"&{{pd}}&/a&
选择您要下载的《
色情低俗内容
血腥暴力内容
广告或欺诈内容
侵犯了我的权力
还可以输入
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制正在初始化报价器求解答笔记本电脑如何连接外置摄像头3个回答vsypyrh87969把外接摄像头插上 在我的电脑那里点右键 再点设备管理再点图片处理设备，如果你插上了外接摄像头里面就有2个UBS视频设备 有一个是外接的 你就把UBS视频#2开启，把另外个关掉，就可以用了
希望你能满意
L_1、在控制面板，打开“设备管理器”，打开设备管理器，找到“图像设备”，点开电脑自带的摄像设备，选中摄像设备，点鼠标右键，弹出对话框，把选中的电脑自带的摄像头禁用或卸载。
2、安装你的外置摄像头。
3、重新启动系统，打开QQ，自动搜索到新的摄像头。
双音思致解我的电脑—右键—设备管理器—图像设备—右键—禁用此设备。这样一来就会用你外部接用的摄像头了。修改之前先不要接入外部摄像头。
热门问答123456789101112131415161718192021222324252627282930相关问答3个回答我要定你了2013其实安装系统很简单，我现在就用WIN7，总之按照他的提示做就行了，WIN7必须安装在NTFS类型的盘中,如果你的C盘是FAT32的话就要转换后才能装，点开始，运行，输入 CMD ，...3个回答樱子妈妈8791)机器启动后首先按Del键进入BIOS
2)通过键盘上的方向键选中Advanced BIOS Features
3)回车进入BIOS设置界面
4)用方向键...4个回答红铃铛8636ASUS 华硕 A43EI245SD-SL/84NRDXXR 14.0英寸笔记本电脑(i5-0G M 2GB独显 WIFI 摄像头 U...3个回答米昂果联想笔记本电脑i3的价格是6999元，
联想笔记本电脑i3挺好用的，时尚漂亮的外观是其很大的优点，还有最新的系统，屏幕也挺大的，外观没话说，我买的白色很漂亮，而且也不沾灰，正...3个回答叶星six你好据我了解有固态硬盘和机械硬盘两种。固态硬盘没有转速。
再有就是价格区分，一般的超级本或便携本好多都是32G固态硬盘+大容量的机械硬盘， 配置大容量固态硬盘的笔记本价格要...3个回答dongshu2205021、右键【计算机】--选择【管理】。
2、选择【设备管理器】，双击设备管理器。
3、在右边的窗口中选择【网络适配器】。
3、点击【网络适配器】，在下拉菜单中...3个回答索马里军团1153你好，要明确所购买的笔记本的用途，根据不同的用途选择不同的配置。如果所购买的笔记本电脑只用于文字处理和上网，那么配置相对低一些就可以了。笔记本电脑最便宜是650元。
以上价格...3个回答枫岛OL535第一种情况：
一般情况下，我们电脑平时用的好好的，不会出现没声音的情况，平时你用音箱、耳机(前后面板)都没有问题的情况下，有一天当你打开电脑的时候突然发现没了声音，束手无策了...3个回答葬魂军团o嘟如果是硬件的话，你要懂笔记本组装，如果不会的话，只有拿到电脑商店或者商家那里进行升级，你可以升级显卡，内存容量，硬盘容量等等，如果你是想升级软件的话，你要懂装操作系统，首先，你得得...3个回答dpuserAt_这个闪屏门和灯管有问题都可能。如果是14寸宽屏的就下个鲁大师看看屏幕是不是LG的 是就肯定是闪屏门的了 只能换屏幕或凑合用。正在初始化报价器求大神解答笔记本电脑电池要怎么保养3个回答麋鹿_0714笔记本电池保养方法一：激活新电池，给电池一个良好的使用开端
目前不少笔记本电脑均采用激活式，也就是说新笔记本在第一次开机时电池应带有3％的电量(这也是厂商说明书一般会介绍的)，此时，您应该先不使用外接电源，把电池里的余电用尽，直至关机，然后再用外接电源充电。回家后，还要把电池的电量用尽后再充电，充电时间一定要超过12小时，反复做三次，以便激活电池，这样才能为今后的使用打下良好基础。
笔记本电池保养方法二：尽量减少使用电池的次数
电池的充放电次数直接关系到寿命，每充一次与放一次电，电池就就会消耗掉一小部分寿命，这个原理大家应该都清楚，比如新买的手机充满电开始能用很长时间，但经过一段时间使用后会发现使用的时间明显没开始那么长，是一样的道理，所以我们建议您，当有外接电源时尽量插上外接电源，不要去使用电池供电，以免影响笔记本电池寿命。
TA都傻傻的首先强调一点，保护笔记本免遭意外断电而带来损失远远比保养笔记本电池来的重要，所以日常使用尽量不要卸下电池。
电池保养无外乎两个方面：电池使用环境和电池使用寿命。
电池使用环境还算比较正常，避长时间强光曝晒或存放于湿度过大的地方——但不要因此而违背第一条。
电池寿命取决于电芯质量和充电次数。前者是厂家考虑的问题，后者取决于使用习惯。对此有三点建议：
1，经常插拔外接电源线的话就需要降低充电阀值来避免频繁充电，我个人因为防止停电而设置了比较高地阀值(50%)，如果供电良好，完全可以设置成30%甚至更低。
2，使用电池供电时注意预防因长时间使用带来的高温，适当关机休息休息。
3，如果长时间不使用电池，请充满电后用塑料袋密封扎好，存放于干燥环境，并每两三个月拿出来完全充放电一次。
4，如果发现电池充满电后的电量不足，可以尝试进行一次电池电量校正。这个设置应该在各个品牌中级的电源管理软件里面。
浮生若水0314用完电脑后，使用Windows操作系统的"待机"和"休眠"模式。电脑处于待机模式下电池的待机时间可达50个小时以上。电脑处于待机状态时其显示器和硬盘是关闭的，电脑中所有打开的文件和程序都被存储在内存中。这样一旦开机电脑就能迅速恢复原有工作状态，如果你从一个房间转到另一个房间去工作，在转移过程中最好使电脑处于待机模式。休眠模式会使电脑处于被冻结状态，当你重新打开电脑时，它会恢复到你关机前的工作状态。据说，电池在电脑休眠状态下的待机时间可以达到6个月左右。
热门问答123456789101112131415161718192021222324252627282930相关问答4个回答shirleyxi123NOTE3最大支持64GBmicroSD卡，由于存储卡生产厂商的不同，因此可能会存在兼容性问题，在选购时建议您选购比最大兼容存储容量低一级别的SD卡。这样兼容性会好一些。希望我的回...3个回答gdalmp1. 基层处理
粘帖前，应将基体或基层表面的污垢，尘土清除干净，泛碱部位用百分之九的稀醋酸中和清洗。基层上不得有飞刺，麻点，砂粒和裂缝，阴阳角应顺直。表面平整，粘帖前打毛处...3个回答回艺小片段先用湿布擦一下玻璃，然后再用干净的湿布沾一点白酒，稍用力在玻璃上擦一遍。擦过后，玻璃即干净又明亮。
你只用一勺洗头水兑少少清水或用洗过头后的洗头水,用布抹窗一遍,然后用干布...3个回答小熙whZF41QR72最好的翡翠就是A货翡翠，这种非常都不好给出一个明确的价格，因为翡翠是根据成色来定价的，不过一般的也在一万左右啦，好的可能还有十几万的，如果特别稀有的几十万的也会有可能呢。
价...3个回答韩鹏xa黑莓手机7290的最新报价是250元。黑莓手机7290的人性化设计是著名的，RIM会为每一类顾客设计出人性化的手机
比如德版的黑莓符合了德国人的习惯YZ/AZ是倒置的，还有惊人...3个回答无极罪人EQud5珍珠棉保温材料价格不贵，价格如下：
珍珠棉保温材料 UHJNBGVFTRD ￥40
珍珠棉保温材料 MNJHYGBVCFDE ￥35
以上价格来源于网络，仅供参考...3个回答天天快乐798海绵隔音，效果很好。多为开孔结构,具有密度低、弹性回复好、吸音、透气、保温等性能,主要用作家具垫材、床垫、交通工具座椅坐垫等垫材,工业和民用商业把海绵用作过滤材料、隔音材料、防震材...3个回答lanzhouluobo凌云的房价是20114元/平米。因为这里的房子建筑质量好，而且风格独特。再加上地理位置优越，周围商铺比较多。还有就是生活便利，周边就有超市，便利店，小区不远就有医院和学校。小区的绿...3个回答wshoumlu5886石斛主要采用分株繁殖，也可用扦插和腋芽繁殖，近年来也有采用组织培养法进行快速繁殖，但移栽的技术难度较大，经验还不足。
1．分株繁殖
春秋两季都可进行，以3月下旬至4上旬...3个回答面包虫n2择日就是择吉，也叫看日子，择吉是人类为了生存的需要而寻找、向往平安吉祥生活环境的一种主观性行为，而择吉的目的就是为了趋吉避凶，是人类选择、利用有利条件避开和克服不利因素所做的一种努...正在初始化报价器求大神解答选笔记本电脑要注意什么于聪睿你好，1.购买的时候屏幕一定要选好.屏幕上有坏点,3个以内是不能换,不能修的.有的厂家说包无亮点(但不包括暗点),又搞"文字游戏"了.
最好下载个屏幕测试软件去测测.
2.买笔记本最怕买到样机或返修货,所以要看的仔细点.
商家从批发商或者代理商处拿到的货都是原包未拆封的，箱子上都会贴有原厂的封条，但不必一定追求要未拆封的机器，因为货物到手之后商家往往会拆包验货，这样原厂封条就破损了，尤其是在一些入货较少的小商铺中更是如此。你也可以向商家预定未拆封的原厂封装机器，但是不是很多商家愿意接受这样的预定。主机和电源的封装可能不完整(因为要验机)，但是那些小配件的封装要是不完整就比较可疑了，因为在一眼就能够看透的塑料袋里面实在没有什么必要要拆出来看看的。
更多回答莫思博笔记本的外包装上，上下都有易碎贴纸，如果易碎贴纸坏了或者纸箱上有污渍，纸箱边角上有认为压过的痕迹，这样包装的机器大多数是翻修过的，让导购换新的来；
拿到新的笔记本看看屏幕上有没有灰尘，有没有指纹，屏幕的四个角里面有没有灰尘，有的话，让导购换新的，新的笔记本在出厂的时候都会仔细的用酒精和无尘布把屏幕擦得干干净净，一点灰尘不带的，因为生产笔记本的车间都是无尘车间；
再看看USB口,VGA口，生锈或者划痕太多的，这些就是所谓的返修机，不要上当；
看看笔记本后面所有的标签，有一个生产的条形码，你找到后上官网去核实下，能找到对应的生产信息的就是新笔记本，不能，那就让导购换新的
所有的笔记本出货给客户的系统和客户使用的系统是有区别的，客户使用前是需要重新输入客户信息的，如果笔记本里面安装了其他的软件，那就可能被别人使用过的，不能买
看下笔记本的键盘里有没有灰尘，原因跟屏幕有没有灰尘是一个概念。
女神木头　　第一，注意价格。到大点的电脑卖场多问问，找个自己满意的。
　　第二，注意赠品。一般不保修，也不保换，也别太狮子大开口。
　　第三，外观。看是否有磨损，U口是否有痕迹，屏幕的表面，键盘感觉等。
　　第四，注意装箱。看机器编号和包装编号是否一致。
　　第五，亲自使用。可以带点软件，游戏等运行一下。
　　第六，问好售后。多少天包换，什么条件包退等。
　　第七，开具正规发票
热门问答123456789101112131415161718192021222324252627282930&figure&&img src=&https://pic3.zhimg.com/v2-8f87a623cc_b.jpg& data-rawwidth=&2048& data-rawheight=&1152& class=&origin_image zh-lightbox-thumb& width=&2048& data-original=&https://pic1.zhimg.com/v2-8f87a623cc_r.jpg&&&/figure&&p&&b&选自Github&/b&&/p&&p&&b&机器之心编译&/b&&/p&&p&&b&参与：蒋思源、刘晓坤&/b&&/p&&blockquote&本文从最基本的依赖项开始，依次配置了 VS 2015、Anaconda 4.4.0、CUDA 8.0.61 和 cuDNN v5.1 等基本环境，然后再从 Keras 出发安装 Theano、TensorFlow 和 CNTK 以作为其后端。在完成配置深度学习框架后，本文分别利用这三个框架作为 Keras 后端在 CPU 和 GPU 上训练了一个标准的卷积神经网络，完成该简单的卷积网络也就意味着我们完成了深度学习环境的配置。&/blockquote&&ul&&li&从零开始：深度学习软件环境安装指南(Ubuntu)&/li&&li&本文GitHub地址：&a href=&https://link.zhihu.com/?target=https%3A//github.com/philferriere/dlwin& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/philferriere&/span&&span class=&invisible&&/dlwin&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&p&该配置版本最后更新的日期是今年七月，该更新版本允许本地使用 3 个不同的 GPU 加速后端，并添加对 MKL BLAS 库的支持。&/p&&p&目前有很多帮助我们在 Linux 或 Mac OS 上构建深度学习（DL）环境的指导文章，但很少有文章完整地叙述如何高效地在 Windows 10 上配置深度学习开发环境。此外，很多开发者安装 Windows 和 Ubuntu 双系统或在 Windows 上安装虚拟机以配置深度学习环境，但对于入门者来说，我们更希望还是直接使用 Windows 直接配置深度学习环境。因此，本文作者 Phil Ferriere 在 GitHub 上发布了该教程，他希望能从最基本的环境变量配置开始一步步搭建 Keras 深度学习开发环境。&/p&&p&如果读者希望在 Windows 10 上配置深度学习环境，那么本文将为大家提供很多有利的信息。&/p&&p&&b&依赖项&/b&&/p&&p&下面是我们将在 Windows 10（Version 1607 OS Build ）上配置深度学习环境所需要的工具和软件包：&/p&&ol&&li&Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0：用于其 C/C++编译器（而不是 IDE）和 SDK，选择该确定的版本是因为 CUDA 8.0.61 所支持的 Windows 编译器。&/li&&li&Anaconda (64-bit) w. Python 3.6 (Anaconda3-4.4.0) [for Tensorflow support] or Python 2.7 (Anaconda2-4.4.0) [no Tensorflow support] with MKL：Anaconda 是一个开源的 Python 发行版本，其包含了 conda、Python、NumPy、SciPy 等 180 多个科学包及其依赖项，是一个集成开发环境。MKL 可以利用 CPU 加速许多线性代数运算。&/li&&li&CUDA 8.0.61 (64-bit)：CUDA 是一种由 NVIDIA 推出的通用并行计算架构，该架构使 GPU 能够解决复杂的计算问题，该软件包能提供 GPU 数学库、显卡驱动和 CUDA 编译器等。&/li&&li&cuDNN v5.1 (Jan 20, 2017) for CUDA 8.0：用于加速卷积神经网络的运算。&/li&&li&Keras 2.0.5 with three different backends: Theano 0.9.0, Tensorflow-gpu 1.2.0, and CNTK 2.0：Keras 以 Theano、Tensorflow 或 CNTK 等框架为后端，并提供深度学习高级 API。使用不同的后端在张量数学计算等方面会有不同的效果。&/li&&/ol&&p&&b&硬件&/b&&/p&&ul&&li&Dell Precision T7900, 64GB RAM：Intel Xeon E5-2630 v4 @ 2.20 GHz (1 processor, 10 cores total, 20 logical processors)&/li&&li&NVIDIA GeForce Titan X, 12GB RAM：Driver version: 372.90 / Win 10 64&/li&&/ul&&p&&b&安装步骤&/b&&/p&&p&我们可能喜欢让所有的工具包和软件包在一个根目录下（如 e:\toolkits.win），所以在下文只要看到以 e:\toolkits.win 开头的路径，那么我们可能就需要小心不要覆盖或随意更改必要的软件包目录。&/p&&ul&&li&Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0&/li&&li&下载地址：&a href=&https://link.zhihu.com/?target=https%3A//www.visualstudio.com/vs/older-downloads& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&visualstudio.com/vs/old&/span&&span class=&invisible&&er-downloads&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&p&运行下载的软件包以安装 Visual Studio，可能我们还需要做一些额外的配置：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-e6fa820b03a7ed0aae6355_b.jpg& data-caption=&& data-rawwidth=&508& data-rawheight=&717& class=&origin_image zh-lightbox-thumb& width=&508& data-original=&https://pic2.zhimg.com/v2-e6fa820b03a7ed0aae6355_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/v2-be4b3c6ce57c675a0c3c_b.jpg& data-caption=&& data-rawwidth=&515& data-rawheight=&716& class=&origin_image zh-lightbox-thumb& width=&515& data-original=&https://pic1.zhimg.com/v2-be4b3c6ce57c675a0c3c_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/v2-d5efbddc5a1e737ab8ceb0e_b.jpg& data-caption=&& data-rawwidth=&513& data-rawheight=&712& class=&origin_image zh-lightbox-thumb& width=&513& data-original=&https://pic3.zhimg.com/v2-d5efbddc5a1e737ab8ceb0e_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-cacd70bded03c061cd129dcc6b5bb8e9_b.jpg& data-caption=&& data-rawwidth=&517& data-rawheight=&722& class=&origin_image zh-lightbox-thumb& width=&517& data-original=&https://pic2.zhimg.com/v2-cacd70bded03c061cd129dcc6b5bb8e9_r.jpg&&&/figure&&ul&&li&基于我们安装 VS 2015 的地址，需要将 C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\bin 添加到 PATH 中。&/li&&li&定义系统环境变量（sysenv variable）INCLUDE 的值为 C:\Program Files (x86)\Windows Kits\10\Include\10.0.10240.0\ucrt&/li&&li&定义系统环境变量（sysenv variable）LIB 的值为 C:\Program Files (x86)\Windows Kits\10\Lib\10.0.10240.0\um\x64;C:\Program Files (x86)\Windows Kits\10\Lib\10.0.10240.0\ucrt\x64&/li&&/ul&&p&&b&Anaconda 4.4.0 (64-bit) (Python 3.6 TF support / Python 2.7 no TF support))&/b&&/p&&p&本教程最初使用的是 Python 2.7，而随着 TensorFlow 可作为 Keras 的后端，我们决定使用 Python 3.6 作为默认配置。因此，根据我们配置的偏好，可以设置 e:\toolkits.win\anaconda3-4.4.0 或 e:\toolkits.win\anaconda2-4.4.0 为安装 Anaconda 的文件夹名。&/p&&ul&&li&Python 3.6 版本的 Anaconda 下载地址：&a href=&https://link.zhihu.com/?target=https%3A//repo.continuum.io/archive/Anaconda3-4.4.0-Windows-x86_64.exe& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&repo.continuum.io/archi&/span&&span class=&invisible&&ve/Anaconda3-4.4.0-Windows-x86_64.exe&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&Python 2.7 版本的 Anaconda 下载地址：&a href=&https://link.zhihu.com/?target=https%3A//repo.continuum.io/archive/Anaconda2-4.4.0-Windows-x86_64.exe& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&repo.continuum.io/archi&/span&&span class=&invisible&&ve/Anaconda2-4.4.0-Windows-x86_64.exe&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&figure&&img src=&https://pic1.zhimg.com/v2-030ee1d9aa0de9247b2aca9a_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&365& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-030ee1d9aa0de9247b2aca9a_r.jpg&&&/figure&&p&运行安装程序完成安装：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-51f66fb35f80bc348d3001bcbc59fbcf_b.jpg& data-caption=&& data-rawwidth=&506& data-rawheight=&790& class=&origin_image zh-lightbox-thumb& width=&506& data-original=&https://pic4.zhimg.com/v2-51f66fb35f80bc348d3001bcbc59fbcf_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/v2-fc32da0a4a047eeddda57ac_b.jpg& data-caption=&& data-rawwidth=&507& data-rawheight=&396& class=&origin_image zh-lightbox-thumb& width=&507& data-original=&https://pic1.zhimg.com/v2-fc32da0a4a047eeddda57ac_r.jpg&&&/figure&&p&如上，本教程选择了第二个选项，但不一定是最好的。&/p&&p&定义一下变量并更新 PATH：&/p&&ul&&li&定义系统环境（sysenv variable）变量 PYTHON_HOME 的值为 e:\toolkits.win\anaconda3-4.4.0&/li&&li&添加 %PYTHON_HOME%, %PYTHON_HOME%\Scripts 和 %PYTHON_HOME%\Library\bin 到 PATH 中&/li&&/ul&&p&&b&创建 dlwin36 conda 环境&/b&&/p&&p&在安装 Anaconda 后，打开 Windows 命令窗口并执行：&/p&&p&#使用以下命令行创建环境&/p&&figure&&img src=&https://pic3.zhimg.com/v2-1f008a644caf2d30113c1_b.jpg& data-caption=&& data-rawwidth=&715& data-rawheight=&327& class=&origin_image zh-lightbox-thumb& width=&715& data-original=&https://pic2.zhimg.com/v2-1f008a644caf2d30113c1_r.jpg&&&/figure&&p&如上所示，使用 active dlwin36 命令激活这个新的环境。如果已经有了旧的 dlwin36 环境，可以先用 conda env remove -n dlwin36 命令删除。既然打算使用 GPU，为什么还要安装 CPU 优化的线性代数库如 MKL 呢？在我们的设置中，大多数深度学习都是由 GPU 承担的，这并没错，但 CPU 也不是无所事事。基于图像的 Kaggle 竞赛一个重要部分是数据增强。如此看来，数据增强是通过转换原始训练样本（利用图像处理算子）获得额外输入样本（即更多的训练图像）的过程。基本的转换比如下采样和均值归 0 的归一化也是必需的。如果你觉得这样太冒险，可以试试额外的预处理增强（噪声消除、直方图均化等等）。当然也可以用 GPU 处理并把结果保存到文件中。然而在实践过程中，这些计算通常都是在 CPU 上平行执行的，而 GPU 正忙于学习深度神经网络的权重，况且增强数据是用完即弃的。因此，我们强烈推荐安装 MKL，而 Theanos 用 BLAS 库更好。&/p&&p&&b&CUDA 8.0.61 (64-bit)&/b&&/p&&p&从英伟达网站下载 CUDA 8.0 (64-bit)：&a href=&https://link.zhihu.com/?target=https%3A//developer.nvidia.com/cuda-downloads& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&developer.nvidia.com/cu&/span&&span class=&invisible&&da-downloads&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&选择合适的操作系统：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-eb8e3fa8607fc6bdf544e_b.jpg& data-caption=&& data-rawwidth=&613& data-rawheight=&227& class=&origin_image zh-lightbox-thumb& width=&613& data-original=&https://pic1.zhimg.com/v2-eb8e3fa8607fc6bdf544e_r.jpg&&&/figure&&p&下载安装包：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-708c43cb54e997fa89d7dbe6a25b8c1d_b.jpg& data-caption=&& data-rawwidth=&612& data-rawheight=&274& class=&origin_image zh-lightbox-thumb& width=&612& data-original=&https://pic2.zhimg.com/v2-708c43cb54e997fa89d7dbe6a25b8c1d_r.jpg&&&/figure&&p&运行安装包，安装文件到 e:\toolkits.win\cuda-8.0.61 中：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-e82cda6a540aebc0c2fbbbf985c45073_b.jpg& data-caption=&& data-rawwidth=&605& data-rawheight=&915& class=&origin_image zh-lightbox-thumb& width=&605& data-original=&https://pic4.zhimg.com/v2-e82cda6a540aebc0c2fbbbf985c45073_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-2f50d8d374ef01804aea_b.jpg& data-caption=&& data-rawwidth=&602& data-rawheight=&908& class=&origin_image zh-lightbox-thumb& width=&602& data-original=&https://pic3.zhimg.com/v2-2f50d8d374ef01804aea_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/v2-b6a7fbc44ede_b.jpg& data-caption=&& data-rawwidth=&601& data-rawheight=&450& class=&origin_image zh-lightbox-thumb& width=&601& data-original=&https://pic3.zhimg.com/v2-b6a7fbc44ede_r.jpg&&&/figure&&p&完成安装后，安装包应该创建了一个名为 CUDA_PATH 的系统环境变量（sysenv variable），并且已经添加了%CUDA_PATH%\bin 和 %CUDA_PATH%\libnvvp 到 PATH 中。检查是否真正添加了，若 CUDA 环境变量因为一些原因出错了，那么完成下面两个步骤：&/p&&ul&&li&定义名为 CUDA_PATH 的系统环境变量的值为 e:\toolkits.win\cuda-8.0.61&/li&&li&添加%CUDA_PATH%\bin 和 %CUDA_PATH%\libnvvp 到 PATH 中&/li&&/ul&&p&&b&cuDNN v5.1 (Jan 20, 2017) for CUDA 8.0&/b&&/p&&p&根据英伟达官网「cuDNN 为标准的运算如前向和反向卷积、池化、归一化和激活层等提供高度调优的实现」，它是为卷积神经网络和深度学习设计的一款加速方案。&/p&&p&cuDNN 的下载地址：&a href=&https://link.zhihu.com/?target=https%3A//developer.nvidia.com/rdp/cudnn-download& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&developer.nvidia.com/rd&/span&&span class=&invisible&&p/cudnn-download&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&我们需要选择符合 CUDA 版本和 Window 10 编译器的 cuDNN 软件包，一般来说，cuDNN 5.1 可以支持 CUDA 8.0 和 Windows 10。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-2adac917db579a7cf27bb_b.jpg& data-caption=&& data-rawwidth=&552& data-rawheight=&675& class=&origin_image zh-lightbox-thumb& width=&552& data-original=&https://pic4.zhimg.com/v2-2adac917db579a7cf27bb_r.jpg&&&/figure&&p&&br&&/p&&p&下载的 ZIP 文件包含三个目录（bin、include、lib），抽取这三个的文件夹到%CUDA_PATH% 中。&/p&&p&&b&安装 Keras 2.0.5 和 Theano0.9.0 与 libgpuarray&/b&&/p&&p&运行以下命令安装 libgpuarray 0.6.2，即 Theano 0.9.0 唯一的稳定版：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-b101a724badaf2b1998a_b.jpg& data-caption=&& data-rawwidth=&733& data-rawheight=&304& class=&origin_image zh-lightbox-thumb& width=&733& data-original=&https://pic3.zhimg.com/v2-b101a724badaf2b1998a_r.jpg&&&/figure&&p&输入以下命令安装 Keras 和 Theano：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-8cf2d38ac0688ac10fdbcb_b.jpg& data-caption=&& data-rawwidth=&708& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&708& data-original=&https://pic4.zhimg.com/v2-8cf2d38ac0688ac10fdbcb_r.jpg&&&/figure&&p&&b&安装 CNTK 2.0 后端&/b&&/p&&p&根据 CNTK 安装文档，我们可以使用以下 pip 命令行安装 CNTK：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-11d86fae0c2abdedb5c60_b.jpg& data-caption=&& data-rawwidth=&711& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&711& data-original=&https://pic1.zhimg.com/v2-11d86fae0c2abdedb5c60_r.jpg&&&/figure&&p&该安装将导致在 conda 环境目录下额外安装 CUDA 和 cuDNN DLLs：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-75b735fb9f_b.jpg& data-caption=&& data-rawwidth=&699& data-rawheight=&325& class=&origin_image zh-lightbox-thumb& width=&699& data-original=&https://pic2.zhimg.com/v2-75b735fb9f_r.jpg&&&/figure&&p&这个问题并不是因为浪费硬盘空间，而是安装的 cuDNN 版本和我们安装在 c:\toolkits\cuda-8.0.61 下的 cuDNN 版本不同，因为在 conda 环境目录下的 DLL 将首先加载，所以我们需要这些 DLL 移除出%PATH% 目录：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-4ac1f68b7ec3a1b7cdc4c81_b.jpg& data-caption=&& data-rawwidth=&726& data-rawheight=&215& class=&origin_image zh-lightbox-thumb& width=&726& data-original=&https://pic2.zhimg.com/v2-4ac1f68b7ec3a1b7cdc4c81_r.jpg&&&/figure&&p&&b&安装 TensorFlow-GPU 1.2.0 后端&/b&&/p&&p&运行以下命令行使用 pip 安装 TensorFlow：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cacd33d80decbb77e82d350_b.jpg& data-caption=&& data-rawwidth=&710& data-rawheight=&830& class=&origin_image zh-lightbox-thumb& width=&710& data-original=&https://pic1.zhimg.com/v2-cacd33d80decbb77e82d350_r.jpg&&&/figure&&p&&b&使用 conda 检查安装的软件包&/b&&/p&&p&完成以上安装和配置后，我们应该在 dlwin36 conda 环境中看到以下软件包列表：&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-aa5a794a6e71d_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&773& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-aa5a794a6e71d_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-e37e50cc6e8a811cc8b0cf072ea08c7a_b.jpg& data-caption=&& data-rawwidth=&503& data-rawheight=&703& class=&origin_image zh-lightbox-thumb& width=&503& data-original=&https://pic3.zhimg.com/v2-e37e50cc6e8a811cc8b0cf072ea08c7a_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/v2-617be652a1fddbaddc0713d8_b.jpg& data-caption=&& data-rawwidth=&507& data-rawheight=&489& class=&origin_image zh-lightbox-thumb& width=&507& data-original=&https://pic1.zhimg.com/v2-617be652a1fddbaddc0713d8_r.jpg&&&/figure&&p&为了快速检查上述三个后端安装的效果，依次运行一下命令行分别检查 Theano、TensorFlow 和 CNTK 导入情况：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-a380cf1a04752fefb6fb2bc14f70fd67_b.jpg& data-caption=&& data-rawwidth=&717& data-rawheight=&414& class=&origin_image zh-lightbox-thumb& width=&717& data-original=&https://pic4.zhimg.com/v2-a380cf1a04752fefb6fb2bc14f70fd67_r.jpg&&&/figure&&p&&b&验证 Theano 的安装&/b&&/p&&p&因为 Theano 是安装 Keras 时自动安装的，为了快速地在 CPU 模式、GPU 模式和带 cuDNN 的 GPU 模式之间转换，我们需要创建以下三个系统环境变量（sysenv variable）：&/p&&ul&&li&系统环境变量 THEANO_FLAGS_CPU 的值定义为：floatX=float32,device=cpu&/li&&li&系统环境变量 THEANO_FLAGS_GPU 的值定义为：floatX=float32,device=cuda0,dnn.enabled=False,gpuarray.preallocate=0.8&/li&&li&系统环境变量 THEANO_FLAGS_GPU_DNN 的值定义为：floatX=float32,device=cuda0,optimizer_including=cudnn,gpuarray.preallocate=0.8,dnn.conv.algo_bwd_filter=deterministic,dnn.conv.algo_bwd_data=deterministic,dnn.include_path=e:/toolkits.win/cuda-8.0.61/include,dnn.library_path=e:/toolkits.win/cuda-8.0.61/lib/x64&/li&&/ul&&p&现在，我们能直接使用 THEANO_FLAGS_CPU、THEANO_FLAGS_GPU 或 THEANO_FLAGS_GPU_DNN 直接设置 Theano 使用 CPU、GPU 还是 GPU+cuDNN。我们可以使用以下命令行验证这些变量是否成功加入环境中：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-e9abca6df1c3bc_b.jpg& data-caption=&& data-rawwidth=&691& data-rawheight=&340& class=&origin_image zh-lightbox-thumb& width=&691& data-original=&https://pic1.zhimg.com/v2-e9abca6df1c3bc_r.jpg&&&/figure&&p&更多具体的 Theano 验证代码与命令请查看原文。&/p&&p&&b&检查系统环境变量&/b&&/p&&p&现在，不论 dlwin36 conda 环境什么时候激活，PATH 环境变量应该需要看起来如下面列表一样：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-5b19e91e9f5e25ed622f12e_b.jpg& data-caption=&& data-rawwidth=&460& data-rawheight=&430& class=&origin_image zh-lightbox-thumb& width=&460& data-original=&https://pic3.zhimg.com/v2-5b19e91e9f5e25ed622f12e_r.jpg&&&/figure&&p&&b&使用 Keras 验证 GPU+cuDNN 的安装&/b&&/p&&p&我们可以使用 Keras 在 MNIST 数据集上训练简单的卷积神经网络（convnet）而验证 GPU 的 cuDNN 是否正确安装，该文件名为 mnist_cnn.py，其可以在 Keras 案例中找到。该卷积神经网络的代码如下：&/p&&p&Keras案例地址：&a href=&https://link.zhihu.com/?target=https%3A//github.com/fchollet/keras/blob/2.0.5/examples/mnist_cnn.py& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/fchollet/ker&/span&&span class=&invisible&&as/blob/2.0.5/examples/mnist_cnn.py&/span&&span class=&ellipsis&&&/span&&/a&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-d0a80bac89e4a19c0eb9_b.jpg& data-caption=&& data-rawwidth=&687& data-rawheight=&800& class=&origin_image zh-lightbox-thumb& width=&687& data-original=&https://pic2.zhimg.com/v2-d0a80bac89e4a19c0eb9_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/v2-e305add6ecd4ff219d21_b.jpg& data-caption=&& data-rawwidth=&695& data-rawheight=&303& class=&origin_image zh-lightbox-thumb& width=&695& data-original=&https://pic2.zhimg.com/v2-e305add6ecd4ff219d21_r.jpg&&&/figure&&p&1. 使用带 Theano 后端的 Keras&/p&&p&为了有一个能进行对比的基线模型，首先我们使用 Theano 后端和 CPU 训练简单的卷积神经网络：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-afc4b53c77f402ce57d27b_b.jpg& data-caption=&& data-rawwidth=&685& data-rawheight=&960& class=&origin_image zh-lightbox-thumb& width=&685& data-original=&https://pic1.zhimg.com/v2-afc4b53c77f402ce57d27b_r.jpg&&&/figure&&p&我们现在使用以下命令行利用带 Theano 的后端的 Keras 在 GPU 和 cuDNN 环境下训练卷积神经网络：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-c22a81f720ee45e4c2a58_b.jpg& data-caption=&& data-rawwidth=&674& data-rawheight=&752& class=&origin_image zh-lightbox-thumb& width=&674& data-original=&https://pic1.zhimg.com/v2-c22a81f720ee45e4c2a58_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/v2-02ad42f27dfedb1681a8_b.jpg& data-caption=&& data-rawwidth=&688& data-rawheight=&244& class=&origin_image zh-lightbox-thumb& width=&688& data-original=&https://pic1.zhimg.com/v2-02ad42f27dfedb1681a8_r.jpg&&&/figure&&p&我们看到每一个 Epoch 的训练时间只需要 16 秒，相对于使用 CPU 要 250 秒左右取得了很大的提高（在同一个批量大小的情况下）。&/p&&p&2. 使用 TensorFlow 后端的 Keras&/p&&p&为了激活和测试 TensorFlow 后端，我们需要使用以下命令行：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-897ff210faababb121b18_b.jpg& data-caption=&& data-rawwidth=&673& data-rawheight=&728& class=&origin_image zh-lightbox-thumb& width=&673& data-original=&https://pic1.zhimg.com/v2-897ff210faababb121b18_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/v2-de9fc658fdb_b.jpg& data-caption=&& data-rawwidth=&668& data-rawheight=&575& class=&origin_image zh-lightbox-thumb& width=&668& data-original=&https://pic4.zhimg.com/v2-de9fc658fdb_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-da46f39c4644_b.jpg& data-caption=&& data-rawwidth=&668& data-rawheight=&780& class=&origin_image zh-lightbox-thumb& width=&668& data-original=&https://pic1.zhimg.com/v2-da46f39c4644_r.jpg&&&/figure&&p&我们看到使用 TensorFlow 后端要比 Theano 后端在该任务上快 3 倍左右，它们都是用了 GPU 和 cuDNN 加速。这可能是因为在该测试中它们有相同的通道等级（channel ordering），但实际上两个平台在这一点是不一样的。因此，程序可能强制 Theano 后端重新排序数据而造成性能上的差异。但在该案例下，TensorFlow 在 GPU 上的负载一直没有超过 70%。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-de7ef508ea968bac808a_b.jpg& data-caption=&& data-rawwidth=&394& data-rawheight=&495& class=&content_image& width=&394&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&3. 使用 CNTK 后端的 Keras&/p&&p&为了激活和测试 CNTK 后算，我们需要使用以下命令行：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-133f2a633bd_b.jpg& data-caption=&& data-rawwidth=&666& data-rawheight=&305& class=&origin_image zh-lightbox-thumb& width=&666& data-original=&https://pic2.zhimg.com/v2-133f2a633bd_r.jpg&&&/figure&&figure&&img src=&https://pic2.zhimg.com/v2-2d241fa1ad6f9aae7aedcc_b.jpg& data-caption=&& data-rawwidth=&670& data-rawheight=&779& class=&origin_image zh-lightbox-thumb& width=&670& data-original=&https://pic3.zhimg.com/v2-2d241fa1ad6f9aae7aedcc_r.jpg&&&/figure&&p&在具体的试验中，CNTK 同样也十分快速，并且 GPU 负载达到了 80%。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ab34fd4e7964_b.jpg& data-caption=&& data-rawwidth=&394& data-rawheight=&495& class=&content_image& width=&394&&&/figure&&p&原文链接：&a href=&https://link.zhihu.com/?target=https%3A//github.com/philferriere/dlwin& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/philferriere&/span&&span class=&invisible&&/dlwin&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&b&本文为机器之心编译，转载请联系本公众号获得授权。&/b&&/p&&p&&/p&&p&&/p&
选自Github机器之心编译参与：蒋思源、刘晓坤本文从最基本的依赖项开始，依次配置了 VS 2015、Anaconda 4.4.0、CUDA 8.0.61 和 cuDNN v5.1 等基本环境，然后再从 Keras 出发安装 Theano、TensorFlow 和 CNTK 以作为其后端。在完成配置深度学习框架后，本文…
&p&更新显卡型号：&/p&&p&GTX1050&/p&&p&GTX1050TI&/p&&p&RX470D&/p&&br&&p&注：GTX1060为GTX1060 6G版&/p&&p&GTXSP)为GTX1060 3G版&/p&&p&图片点击可放大查看清晰版&/p&&figure&&img src=&https://pic3.zhimg.com/v2-17dee74e609ddd71e21be9_b.jpg& data-rawwidth=&1200& data-rawheight=&3200& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic3.zhimg.com/v2-17dee74e609ddd71e21be9_r.jpg&&&/figure&
更新显卡型号：GTX1050GTX1050TIRX470D 注：GTX1060为GTX1060 6G版GTXSP)为GTX1060 3G版图片点击可放大查看清晰版
&p&要了解显卡性能指标，我想在这先简单介绍一下独显在DX9这个最辉煌的时代之后的发展历程，这样能让大家更明白这些指标的作用。DX9之前的大家可以去网上自行查一下。这些介绍大部分也是网上收集的资料，为了方便大家了解，自己整理完后发布的，不喜欢看的可以直接跳转到最下面的部分。&/p&&p&&br&&/p&&p&主流独立显卡芯片厂商目前只有两家Nvidia和AMD（曾经的ATI，后被AMD收购）。在DX9及以前的时代，两家的架构主要由像素单元、顶点单元、纹理单元、光栅单元组成，一个渲染流程的所有单元绑在一起组成一条渲染管线，&b&管线&/b&越多，&b&性能&/b&就越强。&/p&&p&&br&&/p&&p&然而到了DX9后期甚至DX10时代，游戏中的1D、2D、3D指令（不理解的人可以想象成2D=1D+1D，3D=1D+1D+1D,4D=1D+1D+1D+1D，以此类推）开始频繁混合出现，像素与顶点的渲染比例也有了改变，原先的架构就变得效率低下了，比如一个单元一次能处理4D运算，当碰到1D运算时就只用到1/4的资源，剩下3/4的资源就闲置掉了，相当于效率降低了4倍。因此，重新设计架构才能改变这个现状。&/p&&p&&br&&/p&&p&到了DX10时代，统一渲染架构的引入使得显卡不再区分“像素”和“顶点”，因此“管线”这种说法逐渐淡出了大家的视野，取而代之的是全新的“&b&流处理器&/b&”（简称SP），“流处理器”的数量直接影响显卡的性能。&/p&&p&&br&&/p&&p&当两家DX10产品面市后，人们发现两家的设计是两种完全相反的路线，而且都非常极端。&/p&&p&&br&&/p&&p&N卡利用强大的前端处理器把所有指令拆分成一个个1D指令，令每个运算单元都变成1D单元（理解成1个流处理器），这样做的好处是无论什么样的指令都可以高效处理，完全解决了DX9时代固定单元的弊端。为了保证指令分派的高效率，这些流处理器都分成几大组管理，每一组都具备完整的前后端及缓存单元，每个流处理器都对应独立的控制单元，效率几乎达到100%的理想程度，是标准的线程级并行架构，也是追求高效率的理想架构。&/p&&p&&br&&/p&&p&看似完美的架构，缺点也十分明显。要想增加运算单元，必需以组为单位进行扩充，这样连带的前后端控制单元、功能单元和缓存都会成正比增加，晶体管消耗严重，所以在相同晶体管数量的情况下，N卡能做的流处理器就相对少很多。在流处理器数量相对少的情况下，处理4D指令时又会显得性能不足（因为要耗费四个流处理器去处理一个指令），所以N卡的流处理器频率都会比核心频率高出一倍以上，以弥补数量上的缺陷，但高频率带来的翻倍流水线又再次消耗了大量晶体管，最终结果就是功耗巨大，制造难度极高。&/p&&p&&br&&/p&&p&A卡方面，也是采用通用的1D流处理器做为执行单元，每5个流处理器为一组，每组一次最大可接收一条5D指令（而N卡接收的是1D指令），在前端上就把所有指令打包成一个个5D指令发下去（而N卡是拆分成一个个1D发下去），当接到5D指令后，下面的5个流处理器就可以并行执行，属于指令级并行架构，又被称为5D架构，这样的设计可以实现高指令吞吐。同时控制单元与运算单元可做到分离，流处理器的增加不会牵动其它单元，晶体管消耗较少，所以A卡的流处理器数量一般都能做到N卡的4-5倍，芯片面积反而较小，理论运算能力也远强于N卡，功耗也相对要低一些。&br&&br&&/p&&p&&br&&/p&&p&但是，A卡架构的缺点也很明显，虽然理论计算性能强大，但较少的控制单元限制了其指令调度效率，下面流处理器越多，前端压力就越大。一旦碰到混合指令或条件指令的时候，前端就很难实现完整的5D打包，往往变成3D、2D、1D的发下去了，造成每组流处理器只有3、2甚至1个在工作，几乎一半的单元浪费掉了，再加上每个5D包里面可能存在最糟糕的组合（比如有先后关系的指令被包到了一起），常常导致部分指令被踢出去再走一次打包运算的流程。程序要想针对这种架构优化，必需减少混合、条件指令的出现（需要耗费程序员的大量精力），或杜绝（这是不可能的）。所以在软件优化度上A卡也是处于劣势的，常常无法发挥应有性能。&/p&&p&&br&&/p&&p&上面说的比较专业，如果从一个刚接触显卡的人的角度来说，不太容易理解，那么咱们借用其他论坛曾经的帖子来比喻一下。&/p&&p&&br&&/p&&p&如果将马比喻成指令发射端和控制逻辑单元，把战士比喻成流处理器，那么N卡类似于古代的骑兵，A卡类似于古代的战车。古代骑兵都是一个战士一匹马，而战车基本上都是一批马，一车配置一个驾车员，还有三四个战士或射箭，或扔标枪飞斧什么的（古希腊，古罗马盛行这种缺乏技术含量的战法），战车这东西很适合象征AMD的架构，这里一匹提供动力的马可以象征指令发射端和控制逻辑单元，那车上的战士可以象征每个5D矢量运算单元中的流处理器。在小型战役中，战车的输出能力是压倒性的，用10辆战车对10个骑兵，等于50双可以投射的手臂对10双可以投射的手臂，火力上明显压制。但是1000辆战车对战1000个骑兵时，在这个数量级来说，就是另外一回事了，所以随着战争规模的扩大，骑兵便成为兵种的主流。战车的优势是省，花一点养马费就能输出客观的火力，但是大规模对战时的执行力，反应速度，灵活机动的要求，这些就是移动速度慢，地形兼容性差，不便于展开阵型对战的战车的软肋了，史实是大兵团对战时，骑兵可以用经典的魔兽战术hit and run对付战车，先遭遇，一轮齐射，射完马上后撤，迂回一圈再过来齐射，射完再后撤（中世纪时曾经很虎的东欧战车军就是这样被蒙古骑兵团灭的，西征波兰战役的虐杀）。所以中世纪开始大家都发现了，一旦战争规模玩大了，只能用骑兵，再贵也得用。&/p&&p&&br&&/p&&p&所以，N卡效率高，但是制造难度高，功耗难以控制。A卡理论运算能力强，功耗低，但指令调度限制较大，效率低下。如果两家还继续这么坚持下去，总有一天会栽在自己手上。&/p&&p&&br&&/p&&p&当NV和AMD两种统一渲染架构发展到第四代后（N卡是GF400，A卡是HD5000），极限终于来临，架构的弊端暴走了。N卡为了提升性能，流处理器扩充到512个，GTX480晶体管达到空前规模，功耗发热量已经控制不了，变成史上首个需要屏蔽部分单元（只剩下480个）才能保证良品率的首发高端；而A卡也好不到哪去，HD5870已经把运算单元撑到极限（1600个），计算效率比例降至低谷，无法再扩充。偏偏这时候芯片代工厂台积电（这才是大哥，当年Nvidia、AMD都得看它的脸色）却放鸽子取消了32纳米的计划，延后转跳28纳米，在新工艺还没出世的时候，两家的下一代型号只能继续吃40纳米（已经吃了三代了）。&br&&br&&/p&&p&新工艺的优势就是高晶体管密度，可以在芯片面积和功耗不变的情况下扩充单元规模，提升性能推出下一代产品，而现在还用老工艺，计算单元是没法再扩充了，该如何推出更高性能的第五代呢，NV和AMD都绞尽脑汁。&br&&br&&/p&&p&&br&&/p&&p&NV的办法就是优化电路设计，使40纳米应用更加成熟，终于开启了GTX480被屏蔽掉的一组SM（32个流处理器），推出相当于GTX480的成熟版和完整版：GTX580。虽然确实提升了一档性能，但这种吃老本的“提升”是治标不治本的，于是GTX560Ti及以下的型号都用了“新”的设计（SM包含的流处理器撑到了48个，用更少的分组管理更多的流处理器），相当于缩减了缓存和控制单元，牺牲通用运算性能和部分效率，从而换取晶体管消耗和功耗的大幅降低，市场反应良好。也就是说，这一代的N卡从旗舰以下的型号都是缩减通用计算性能的“新架构”只有GTX570以上还是延用老架构，新旧核心贯穿整代。从这里已经初现NV改革的方向。&/p&&p&&br&&/p&&p&而AMD由于本身工艺就很纯熟，在制造工艺上没有改进的空间，也在架构上做文章：前端处理器变成了两个，相当于增加了控制单元，缩减了运算单元。HD个流处理器就胜过了1440个流处理器的HD5850，更接近了1600个流处理器的HD5870，证明这种改进是成功的。不过HD6800系列定位低于上代HD5800系列有点让人奇怪，接下来推出的HD6900系列才让人恍然大悟，原来高端型号的数字提了一个台阶。HD6900系列除了具备双前端处理器，还史无前例的把原先5个流处理器一组改成4个一组（不能再叫5D架构了），降低了前端压力又提升了单元利用率。这样双重改进确实能有效提升效率，连次旗舰的HD个流处理）都要强于上代旗舰HD个），旗舰HD6970更是接近对手GTX570，稍强于对手GTX480。这一代的A卡从高端HD6800以上都采用了“新架构”，中端以下还是延用老架构（与N卡正好相反）。从这里也看出了AMD改革的方向。&/p&&p&&br&&/p&&p&再之后就是N卡kepler架构和A卡GCN架构的竞争了。&/p&&p&&br&&/p&&p&先说AMD的最新GCN架构（HD7000系列），多达两千流处理器之巨，但最明显的改变是果然大幅增加了控制单元和缓存的比例，宏观上采用类似N卡的线程级并行，底层上还是采用指令级并行，使晶体管数量达到空前规模（已经有点N卡的味道）。结果表现令人惊喜，效率大幅提升，运算性能更强，通用计算性能也大幅超越以前，彻底改掉了通用计算的老毛病。&br&&br&&/p&&p&&br&&/p&&p&不到半年，N卡的最新开谱勒架构（GK600系列）也横空出世，更是戏剧化，果然大幅减少了控制单元，缓存也缩减了，再大幅提升流处理器数量，这样效率虽然比以前降低了，但计算性能却是N卡空前最高的（这有点向A卡靠拢的意味，唯一不同的是NV还是线程级并行）。从实际表现来看，GK600相比HD7000有更强的性能，更低的功耗和更小的芯片面积，算是真正做到了最强。&/p&&p&&br&&/p&&p&去年至今，N卡推出了最新的麦克斯韦（Maxwell）架构，A卡也推出了最新的夏威夷（Hawaii）架构。两个厂商在不同的方向上走了很久重于又回归到相同的目标上：通用计算和CPU-GPU融合。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&14年9月19日更新&/b&------------------------------------------------------------------------------------------------------------------&/p&&p&NVIDIA再次领先AMD，推出了maxwell最新的旗舰和次旗舰显卡：公版GTX980和非公版GTX970，目前仍领跑单卡旗舰地位。&/p&&p&&br&&/p&&p&&b&15年1月30日更新&/b&------------------------------------------------------------------------------------------------------------------&/p&&p&1月22日，nvidia再次冲击中高端市场，发布GTX960。&/p&&p&AMD方面，目前没有太大动作，传说中的新旗舰R9 390X号称会采用HBM高带宽显存，在中高端和主流市场据说有个代号“Trinidad”的新核心，定位与R9 270相当，估计会与GTX960争夺市场。&/p&&p&&br&&/p&&p&&b&15年12月22日更新&/b&----------------------------------------------------------------------------------------------------------------&/p&&p&&br&&/p&&p&3月18日，NVIDIA全球同步发布了目前桌面级旗舰显卡——GeForce GTX Titan X，基于完整的Maxwell架构的GM200图形核心，成为到目前为止性能最强的单芯游戏显卡。&/p&&p&&br&&/p&&p&6月1日，为了针对AMD即将推出的&b&FURY X，&/b&NVIDIA再次发布GeForce GTX 980 Ti，性能仅次于Titan X，但是价格却远低于Titan X，成为性价比最高的显卡。&/p&&p&&br&&/p&&p&为了针对AMD的R9 380x，NVIDIA预计在明年年初发布GTX960Ti，拭目以待吧。&/p&&p&&br&&/p&&p&6月17日，AMD在E3游戏展上一口气发布了全新的Fury系列和R9/7 300系列。其中Fury系列包括Radeon R9 Fury X、R9 Fury、R9 Nano、Fury X2，R9/7 300系列包括Radeon R9 390X、R9 390、R9 380、R9(7) 370 1024SP、R7 360。除了旗舰Fury系列，其他均是老版本的马甲。&/p&&p&&br&&/p&&p&Fury X采用HBM显存，位宽高达4096bit，而且发布后直接为水冷版本。虽然单核方面不及Titan X和980Ti，但是因AMD高效的交火效率，在多路方面性能会超过Titan X。&/p&&p&&br&&/p&&p&另外Fury nano这款显卡得益于HBM显存，成为目前最袖珍的旗舰显卡，与Fury X一样，采用了全规格的Fiji核心。&/p&&p&&br&&/p&&p&双卡方面，N卡在Maxwell上并没有计划（估计与这一代主打能耗比有关），A卡预计在明年3月份出Fury x2，据说该卡会成为第一块可以实现单卡4K游戏的显卡（但其实理论上也不算单卡了）。&/p&&p&&br&&/p&&p&&b&17年8月29日更新&/b&----------------------------------------------------------------------------------------------------------------&/p&&p&很久没关注过自己的回答了，今天来更新一波。&/p&&p&&br&&/p&&p&自从进入到16nm时代以后，Nvidia股价暴涨8倍多。除了人工智能、无人驾驶等理念与技术的发展，大家最关心的还是帕斯卡架构。&/p&&p&&br&&/p&&p&到目前为止，Pascal架构已经全面铺货完毕。GP108核心的GT 1030，GP107核心的GTX 1050和GTX 1050ti，GP106核心的GTX 1060（3G、6G），GP104核心的GTX 1070和GTX 1080，GP102核心的Nvidia Titan X、GTX 1080ti和Nvidia Titan Xp（两款titan都是帕斯卡架构，只不过xp版本是完整的GP102核心，这两款titan的对比可以理解成曾经的GTX TITAN和GTX TITAN Black Edition）。&/p&&p&&br&&/p&&p&Pascal的具体架构细节在这里不是重点不多描述，想要了解的人可以去网上搜一下。现在老黄有点往当年intel的tick-tock模式发展，明白人都知道其实Pascal是maxwell的工艺改进版，明年要出的伏特（volta）显卡才是新架构。根据过往的经验以及老黄不时透露出来的信息，新的GV104核心的性能估计又要媲美GP102核心了（以往GK104对位GF104以及GF114，但是打败了GF110，GM204对位GK104，却也干翻了GK110，GP104同样对位GM204，也是秒了GM200）。老黄好像已经不把AMD当做自己的对手了。可以说，帕斯卡是目前桌面级的最强显卡了。&/p&&p&&br&&/p&&p&这几年AMD把精力都放在了新的CPU上，略显成效，搞intel也不敢一点点的挤牙膏了。但是在显示芯片上，却被老黄压制的死死的。R9 390X之后更新了新的命名，Rx系列，仍然是各种马甲版本。最新的vega显卡本来被传成可以媲美1080ti，但是发布之后却发现是1080级别的显卡，而且功耗跟1080比完全不占优势，看看AMD啥时候能出来个鸡血驱动吧。&/p&&p&&br&&/p&&p&然而虽然Nvidia现在有着碾压AMD的趋势，但是AMD仍然有自己的优势。&/p&&p&1、AMD的free-sync要比Nvidia的G-sync普及的多，而且相比G-sync的专利费，free-sync非常便宜。&/p&&p&2、DX12。就算是N粉也不得不承认，DX12就是N黑。虽然了解DX12的人都知道其实DX12主要是底层优化，AMD从mantle那也是很早就从硬件进行异步运算，但是老黄自称N卡支持通过硬件进行异步运算，并且可以通过软件进行优化，只不过至今仍然没有靠谱的结果。当然，现在使用DX12开发的游戏少之又少，等什么时候DX12真正的普及了再说。&/p&&p&3、挖矿效率。虚拟经济的飞速发展让虚拟货币越来越受到重视。这个时候，又能提到两个厂家的架构和通用计算了。简单的说，挖矿其实是将hash运算拆分成多个子运算，A卡一条指令集就能够完成一条运算，而N卡可能需要二条、三条甚至四条指令集才能够完成一条运算（同级别显卡），挖矿能效要低于A卡。&/p&&p&&br&&/p&&p&&br&&/p&&p&--------------------------------------------------------------------------------------------------------------------------------------------&/p&&p&&b&不想看上面的直接跳下来&/b&&/p&&p&&br&&/p&&p&两大独立显卡芯片厂商的历史简单介绍到这里，无论看得懂还是看不懂，就当一点点开胃菜，正菜在下面。&/p&&p&&br&&/p&&p&先说一下N卡历代架构，早期的特斯拉（Tesla，这个不是架构，是系列），费米（Fermi，从此开始叫架构），开普勒（Kepler），麦克斯韦（Maxwell），帕斯卡（Pascal），明年将要出的是伏特（volta）。发现了没？N卡架构命名全都是出名的科学家。&/p&&p&&br&&/p&&p&A卡比较乱，HD5000系列之前没有具体架构，只有代号为Cypress、Juniper、Hemlock、Redwood和Cedar的五个系列。在HD6000开始架构名称为北方群岛（Northern Islands），而且在北方群岛架构里有不同的开发代号，分别代表不同等级的显卡，分别是Antilles、Cayman、Barts、Turks、Caicos（全都是岛名）。之后的南方群岛（Southern Islands）架构中，基于28nm工艺和GCN架构开发代号为New Zealand、Tahiti、Pitcairn、Cape Verde。最新的基于GCN架构的开发代号又多了一个Hawaii系列。总之，我觉得A卡的代号已经把它自己给绕进去了~~&/p&&p&&br&&/p&&p&好了，识别显卡性能好坏，可以通过查看显卡以下的参数：&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&1、显卡芯片的架构。毋庸置疑，架构自然是越新越好。但是最新架构的显卡一定会比上一版本架构的显卡性能强吗？不一定，这里面有个等级。每个核心架构都有自己内部的等级，在没有革命性技术出现之前，最新架构的最低型号在性能上肯定不及之前架构的旗舰型号。当每个架构的全部版本型号都发布之后，新的架构优势就体现出来了，它的中端型号没准可以媲美上一版本架构的旗舰型号，可以变相的通过田忌赛马去理解。&/p&&p&&br&&/p&&p&2、核心代号。&b&相同芯片架构&/b&的前提下，核心代号越高，性能越强劲。N卡一般的代号是G* 1**，其中，第一个*是指架构名称，费米的是F，开普勒是K，麦克斯韦是M，其实就是首字母。1**中，第一个*越高越厉害，第二个*越低越厉害。A卡比较容易，由高到低分别是Hawaii、New Zealand、Tahiti、Pitcairn、Cape Verde。&/p&&p&&br&&/p&&p&3、流处理器。流处理器越多，性能越强劲。能看懂上面介绍历史的童鞋肯定能理解啦。不过要记住，&b&不同核心架构&/b&的显卡不能比较流处理器个数，即使是同一个厂商。这又要说到每个核心架构的工作原理，在这里不多说，因为既专业又难懂。大家只要记住，只有相同&b&核心架构&/b&的前提下才能根据流处理器的数量判断GPU的性能。&/p&&p&&br&&/p&&p&4、光栅单元和纹理单元。光栅单元和纹理单元越多，性能越强劲。理由同上。&/p&&p&&br&&/p&&p&5、GPU频率。GPU频率越高，性能越强劲。这个不用多说了吧，大家把GPU理解成CPU，理解成汽车的发动机，频率越高相当于转速越快。不过还是要注意，&b&不同核心架构&/b&不要比较GPU频率。&/p&&p&&br&&/p&&p&6、显存带宽。显存带宽=显存位宽×显存频率。显存带宽可以看做是显存位宽和显存频率的综合指标，指的是单位时间内数据的吞吐量。看显卡的人不要被JS忽悠了。有的人告诉你这个显存位宽有多高多高，但总带宽很低。打个比方，显存位宽就是一条马路的宽度，越宽表示可以并排行驶的车辆就越多；显存频率就是汽车速度，越高就表示车越快。那么带宽就是单位时间内这条街道所通过汽车的总数量。所以记住，看显卡不要只看&b&位宽&/b&，一定要看&b&带宽&/b&。&/p&&p&&br&&/p&&p&7、显存容量。受小时候计算机老师的影响，我刚上大学的时候还以为显存是衡量显卡好坏的第一参数，而且现在还有好多人跟我当时一样，认定只要显存大，显卡就NB。其实这都是在DX9及之前时代留下的后遗症。当时的技术水平所能达到的性能高度确实能从显存上&b&体现&/b&出来，但也不只是通过显存来决定性能。显存类似于电脑的内存，可以为暂时你储备和提供高质量的显示内容。打个比方，显存就是一个停车场，如果你的GPU性能不高，显存带宽不大，那么就不能为你提供更多的车进去，那么你修个大的停车场纯属浪费。所以，不要一味的听JS们说这个显卡有多大多大的显存。当然，在其他参数差不多的情况下，还是显存越大越好。&/p&&p&&br&&/p&&p&8、显存颗粒。经历了各种厮杀和收购，目前闪存颗粒的最大的三家厂商是镁光、海力士和三星。GDDR5X目前只有镁光量产，其他两个厂商是GDDR5显存。至于之前的尔必达之类的，以后估计都少见了。在内存方面镁光颗粒是比较容易稳定超频的，显存方面因为之前出现过bug，虽然被修复，但是广大玩家还是对镁光心有余悸。其实大家都被别人忽悠了。下载GPU-Z看一下显存厂商，是这三家就放心用吧。&/p&&p&&br&&/p&&p&9、软件支持及优化。咱们都不是专业人，也就不说那么多专业话了。作为平民玩家，大家只要知道你的显卡支持DirectX***就可以了（***是版本号，从1到11，到11.1、11.2，再到最新的12）。相对于游戏优化方面，两家厂商都有自己独特的优化方式，N卡老黄出了名的负优化，经常性的新驱动降低了显卡在其他游戏的性能，老架构的显卡更不用说，而苏妈时不时就出一个鸡血驱动，让A卡性能猛提一大截，两家都是让人欢喜让人忧。&/p&&p&&br&&/p&&p&10、SLI（N卡）和CF（A卡）。这些都是多卡互联技术。每个技术都是最多支持4个GPU互联。对，你猜的没错，双芯显卡只能互联两个。这方面技术A卡可以将两个不同的卡互联，N卡只能同核心同型号互联（会刷bios的高玩略过这句话）。当然，玩游戏的话还是得靠游戏厂家和显卡厂家的驱动支持，这就看这些基友们谁最会搞了。&/p&&p&&br&&/p&&p&11、显卡厂商。显卡厂商是将某一个显卡芯片包装成一个完整的显卡，包括PCB板、显存容量、供电系统、散热系统、显卡接口等等。现在显卡厂家有华硕、影驰、EVGA、七彩虹、技嘉、微星、蓝宝石、迪兰恒进、映泰、昂达等等。每个不同的厂商在对同一款芯片包装上有不同的风格。&/p&&p&&br&&/p&&p&12、散热设计功耗（TDP）。这个肯定是越小越好啦，省电省硬件嘛。新的架构和工艺在功耗上都会有所降低，不过高端显卡你就不要想低TDP了，目前的技术还没有发展到高性能低功耗的地步。&/p&&p&&br&&/p&&p&13、PCB板及供电系统。板材肯定是用料越多越好，保证高频率长时间使用以及供电的稳定性。供电相数越高肯定是越好，但是也要看一下电容电感等元件的可靠性。&/p&&p&&br&&/p&&p&14、散热。显卡散热风冷的有普通风扇和涡轮风扇，高端一点的就是水冷散热。水冷散热效果好，噪音低，但是价格贵，维护麻烦。风冷散热性能不及水冷，而且噪音较大，但是价格便宜，方便维护。另外普通风扇散热性能要高于涡轮散热，而且普通风扇往机箱内散热，涡轮风扇往机箱外散热，看个人喜好。还有就是热管数量、散热片、焊接技术等。另外很多高端显卡带有背板，一方面提高散热能力，另一方面也起到加固PCB板的作用。&/p&&p&&br&&/p&&p&15、价格。这玩意不用解释了吧，实在实在什么都不懂，那就一分钱一分货。不用听JS们怎么跟你形容，100块钱的秒杀某某旗舰的显卡，性能保证不及他说的那旗舰显卡的十分之一。壕们还是啥贵买啥吧。不过X东之类的电商网站经常有打折，有的降幅能打到300左右，时刻关注吧。&/p&&p&&br&&/p&&p&差不多就这么多，其实上面的2、3、4、5全部说的都是1的内容，12、13、14全都说的是11的内容，只不过我又将其细分了一些。&/p&&p&&br&&/p&&p&&u&下面再说点根据显卡的型号怎么判断它的强弱，只说一下目前两家芯片厂商在产的独显。&/u&&/p&&p&&br&&/p&&p&N卡目前命名都是是GTX **0，其中第一位是第几代；第二位是档次，9一般是双芯显卡（GTX 690之后只有Titan Z是双芯卡了，到现在老黄好像都没有计划出双芯卡），8是高端显卡，7是中高端显卡，6是中端显卡，5是中低端显卡，1、2、3、4是入门级显卡。GTX **0 ti在甜点级别（GTX *60)及以下的型号里是指某个型号的高频版，就是核心代号一样，但是更NB一些。GTX *80 ti是该代显卡的&b&旗舰核心&/b&版本，并不仅仅是GTX *80的高频板，因为80只是&b&高端核心&/b&，两者的核心代号不一样，但都是完整版的核心。&/p&&p&A卡目前的有R* **0和HD ***0，其中R9是中高端显卡，R7是中低端显卡，R9 295X2是双芯显卡（到17年为止未出新的双芯卡，此卡为AMD最新双芯卡，其实也不算新了），R9 290是高端显卡，R9 280是中高端显卡，R9 270是中端显卡，每个R9 2*0X是相应版本的高频版，R7 2*0以下的就是中低端显卡了，以此类推。现在又出了RX **0系列，其实就是AMD前几个版本的GCN的马甲。HD ***0中，第一位是第几代；第二位是档次，89是高端，7是中端，6是中端，5以下低端；第三位是再细分的档次，9是高端，7是中端，5是低端。反正AMD现在就是把马甲做到死，就算是最新出来的vega显卡，也算是GCN的马甲。&/p&&p&&br&&/p&&p&&b&14年9月19日更新&/b&------------------------------------------------------------------------------------------------------------------&/p&&p&有人会发现在maxwell出现后，N卡没有出800系列，英伟达的解释是，800系列命名都放在移动平台上了，为防止混淆，将最新maxwell系列桌面级显卡命名GTX 900。大家可以看下近几年出的笔记本，中高端显卡基本都是GTX 800m系列&/p&&p&&br&&/p&&p&--------------------------------------------------------------------------------------------------------------------------------------------&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&最后，肯定有人问，我就想比一下不同架构，不同厂家的显卡性能，你告诉我怎么比。那我只能给你一张图，了解一下，这些是专业人士通过多个软件测试得出来的结果。图是在贴吧找的，并非自己总结，侵删。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-107a6f0ab8e5ba260bbeee_b.jpg& data-rawwidth=&1200& data-rawheight=&3200& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic3.zhimg.com/v2-107a6f0ab8e5ba260bbeee_r.jpg&&&/figure&
要了解显卡性能指标，我想在这先简单介绍一下独显在DX9这个最辉煌的时代之后的发展历程，这样能让大家更明白这些指标的作用。DX9之前的大家可以去网上自行查一下。这些介绍大部分也是网上收集的资料，为了方便大家了解，自己整理完后发布的，不喜欢看的可以…
划分四个等级，简单的推荐一些现在主流的SSD，囊括所有主流接口，有表格，方便查找对应的接口和性能。&br&&br&①入门级梯队划分，主要按性能划分，各取所需&br&第一梯队:浦科特M7V、三星750evo、闪迪X400、闪迪至尊高速2代&br&第二梯队:饥饿鲨TR150、英特尔540s、闪迪Z400S、东芝Q300.&br&第三梯队:金士顿HyperX fury、金士顿UV400、闪迪加强版、闪迪Z410&figure&&img src=&https://pic3.zhimg.com/25ded15b51c0b7c54fda2_b.jpg& data-rawwidth=&931& data-rawheight=&450& class=&origin_image zh-lightbox-thumb& width=&931& data-original=&https://pic3.zhimg.com/25ded15b51c0b7c54fda2_r.jpg&&&/figure&&br&&br&&br&②主流级梯队划分&br&第一梯队:英睿达MX200、浦科特M6S+、三星850EVO&br&第二梯队:建兴睿速T9、建兴ZETA、东芝Q200EX&br&第三梯队:英特尔535、英睿达MX300、金士顿HyperX Savage&figure&&img src=&https://pic2.zhimg.com/fa97bb8ed1e5ace30a4d1_b.jpg& data-rawwidth=&930& data-rawheight=&314& class=&origin_image zh-lightbox-thumb& width=&930& data-original=&https://pic2.zhimg.com/fa97bb8ed1e5ace30a4d1_r.jpg&&&/figure&&br&&br&&br&③旗舰级梯队划分&br&第一梯队：英特尔730、闪迪Extreme Pro、饥饿鲨VT180&br&第二梯队：浦科特M6Pro、东芝Q300 Pro、三星850Pro&br&&br&&br&④发烧级梯队划分&br&第一梯队：三星950PRO、英特尔750、三星SM961&br&第二梯队：三星XP941、三星PM951、三星SM951、三星SM951a、英特尔600P&br&第三梯队：浦科特M8PE、饥饿鲨RD400、东芝XG3、三星PM961&br&&br&&br&总图：&br&四个等级、五个接口，其中黄色部分是相对来说比较有购买价值的，买之前先确定容量和接口，再去查查价格，看看能接受哪个就行了，不要太纠结&figure&&img src=&https://pic1.zhimg.com/11c0a5d79b449aabd7bf39a123cff958_b.jpg& data-rawwidth=&993& data-rawheight=&1067& class=&origin_image zh-lightbox-thumb& width=&993& data-original=&https://pic1.zhimg.com/11c0a5d79b449aabd7bf39a123cff958_r.jpg&&&/figure&&br&节选于固态硬盘吧&br&作者：最强干扰器&br&&a href=&//link.zhihu.com/?target=http%3A//tieba.baidu.com/p/%3Fshare%3D9105%26fr%3Dshare& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&tieba.baidu.com/p/47532&/span&&span class=&invisible&&07416?share=9105&fr=share&/span&&span class=&ellipsis&&&/span&&/a&
划分四个等级，简单的推荐一些现在主流的SSD，囊括所有主流接口，有表格，方便查找对应的接口和性能。 ①入门级梯队划分，主要按性能划分，各取所需 第一梯队:浦科特M7V、三星750evo、闪迪X400、闪迪至尊高速2代 第二梯队:饥饿鲨TR150、英特尔540s、闪迪Z40…
&p&&a href=&//link.zhihu.com/?target=https%3A//www.toutiao.com/i7061390/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&某固态硬盘厂商拼死要保守的秘密，不惜动用黑客攻击也要掩盖&/a&&/p&&p&
最近二三十年以来，CPU、内存性能已经增长上百倍上千倍，而存储数据的硬盘却慢的跟狗一样，5200转使用了十多年才好不容易爬到7200转。所以PC对新一代储存ssd的需求渴望可想而知。&/p&&p&　　现在的SSD市场有多火？处理器巨头Intel、AMD插手；之前一直嘴硬的老牌机械硬盘寡头西数、希捷断臂转型；传统SSD厂商，三星、英睿达、东芝、闪迪、浦科特等齐头并进；索泰、影驰、七彩虹等这些显卡厂商也都不务正业；之前专注于闪存盘SD卡等移动存储的厂商像金士顿、必恩威，也纷纷加入SSD竞争阵营。目前2016年底，生产SSD厂家保守估计起码有50个。&/p&&p&　　显然现在各大厂商在SSD这条路上，已经是义无反顾、坚持不懈、至死方休。而在容量上，NAND闪存也越来越不是事儿，13年TB级产品已经上市，15年三星做出了16TB的固态硬盘。阻碍SSD普及的最后一道防线：价格也开始崩溃。剩下的只是降低成本和时间的问题。&b&民用市场HDD吃枣药丸。&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/b935dba25d049fea5a4ec4d_b.png& data-caption=&& data-rawwidth=&448& data-rawheight=&266& class=&origin_image zh-lightbox-thumb& width=&448& data-original=&https://pic2.zhimg.com/b935dba25d049fea5a4ec4d_r.png&&&/figure&&p&先声明的是，我并非利益相关，只是换多了ssd稍有熟悉。不足之处多多指正。 &/p&&p&&b&一、固态硬盘内部结构&/b&&/p&&p&　　SSD最基本的组成部件：主控芯片、NAND闪存芯片、固件算法。组成SSD的关键部件：PCB设计、主控、Nand闪存各家之间都几乎一样，对于相同方案的产品来说，决定性能和稳定性差异的主要是固件不同。&/p&&p&&b&1、主控：&/b&&/p&&p&　　在SSD中，主控看上去只是一颗躲在某个角落、并不起眼的小芯片，基本是基于ARM架构的处理核心。有句老话叫“秤砣小，压千斤”，这用来形容主控芯片一点也不为过，除了存储部分由闪存芯片负责之外，固态硬盘的功能、规格、工作方式等正是由这颗小小的芯片控制的。&u&主控芯片在SSD中的作用就跟CPU一样&/u&，主要是面向调度、协调和控制整个SSD系统而设计的。主控芯片一方面负责合理调配数据在各个闪存芯片上的负荷，另一方面承担了整个数据中转，连连接闪存芯片和外部SATA接口。除此之外，主控还负责ECC纠错、耗损平衡、坏块映射、读写缓存、垃圾回收以及加密等一系列的功能。&/p&&p&　　主控的技术含量不低，能玩得转的没几家。&u&目前主流的控制器有Marvell、SandForce、三星(自用)、Intel(自用)、JMicron、Indilinx(已被OCZ收购专用)、东芝等主控芯片&/u&。&/p&&p&　　Marvell各方面都很强劲，高端大气上档次。早期运用企业级产品，现也用在浦科特、闪迪、英睿达等品牌SSD上。Marvell自身也是一家大型公司，这两年也没什么变动，技术进步也很平稳，也没出过什么主控质量问题，未来的前景也值得看好。&/p&&p&　　SandForce的性能也不错，它的特点是支持压缩数据，比如一个10M的可压缩数据可能被他压成5M的写入硬盘，但还是占用10M的空间，可以提高点速度，最大的特点是会延长SSD的寿命，但是主控CPU占用会高点而且速度会随着硬盘的使用逐渐小幅度降低。代表型号为SF-2281，运用在包括Intel、金士顿、威刚等品牌的SSD上。相比Marvell公司，SandForce公司这两年就有点折腾了。被LSI、Avago多次转手之后，&u&SandForce最终于2014年落入机械硬盘厂商希捷的手中。&/u&（至于希捷好基友西数也是通过收购拓展固态硬盘业务，举债千亿收购闪迪，砸锅卖铁为君来。收购将于日生效。）&/p&&p&　　Samsung主控一般只有自家的SSD上使用，性能上也是很强悍的，不会比Marvell差多少。目前三星主控已经发展到第五代MEX，主要运用在三星850EVO、850PRO上。&/p&&p&　　除了自有SSD主控的公司，在外包主控的市场中，Marvell与SF占据了90%的份额，留给其他厂商的空间并不多。&u&2016年，来自台湾主控厂商，智微Jmicron、慧荣Silicon Motion、群联Phison三家公司的主控它们的成本低廉相当受SSD厂家欢迎。&/u&2012年附近几年一直是山寨厂商的最爱，如今台系主控已经不满足于廉价低端市场了，开始在技术与性能上寻求进一步突破。（目前看起来，混的比较好的是慧荣）&/p&&p&&b&2、NAND闪存：&/b&&/p&&p&　　如果说主控是衡量一款固态硬盘的技术反面，那么颗粒就代表着产品的用料诚意度。&/p&&p&　　SSD用户的数据全部存储于NAND闪存里，它是SSD的存储媒介。SSD成本的80%就集中在NAND闪存上。NAND闪存不仅决定了SSD的使用寿命，而且对SSD的性能影响也非常大。&/p&&p&&b&颗粒的传统分类：SLC、MLC、TLC &/b&&/p&&p&　　简单来说，NAND闪存中存储的数据是以电荷的方式存储在每个NAND存储单元内的，SLC、MLC及TLC就是存储的位数不同。单层存储与多层存储的区别在于每个NAND存储单元一次所能存储的“位元数”。&/p&&p&　　SLC（Single-Level Cell）单层式存储每个存储单元仅能储存1bit数据，同样，MLC（Multi-Level Cell）可储存2bit数据，TLC(Trinary-Level)可储存3bit数据。一个存储单元上，一次存储的位数越多，该单元拥有的容量就越大，这样能节约闪存的成本，提高NAND的生产量。但随之而来的是，向每个单元存储单元中加入更多的数据会使得状态难以辨别，并且可靠性、耐用性和性能都会降低。&/p&&p&　　SLC的固态硬盘目前市面上没有，一是太贵，二是MLC足够了。&/p&&p&　　中高端SSD还是MLC的天下。但是MLC也有很大区别。最好的是Enterprise Synch MLC（企业级同步MLC），可靠性和寿命针对企业级市场做了优化。之后就是Synch/Toggle MLC（同步颗粒），其中&b&Toggle MLC&/b&多为&b&东芝&/b&出品，当然Toggle阵营中也有企业级闪存，与企业级同步MLC对应。SSD中应用比较多的其实还有Asynch MLC（异步颗粒），价格便宜量又足，不过性能比同步颗粒差。&/p&&p&　　由于TLC需要更精确的控制电压，那么写入数据当然也会花费更多的时间；同样的，由于需要识别8种信号，而MLC只需要识别4种，&u&所以TLC会花更多时间来读取数据。&/u&但是和SLC比起来，MLC就被完爆了，因为SLC的电压组合只有1和0两种，与MLC的4种电压组合比起来，SLC会花费更少的时间来识别信号，同时对电压控制的要求变低：上电就是1，断电就是0，这也就解释了SLC的性能为何最好。&/p&&p&　　TLC闪存优点是成本低，但是带来的考验也更大。容纳的电位多了可以提升容量，但也使得整个过程更复杂，需要更精确的电压控制，Program过程所需时间更多，因此写入性能也会大幅下降，所以现在的TLC SSD都启用了SLC Cache模式提升写入速度，否则那个写入速度是很难让人接受的；读取，特别是随机读取性能也会受影响，因为需要花更多的时间从八种电信号状态中区分所需数据。另外TLC相邻的存储单元也会产生电荷干扰，20nm工艺之后，Cell单元之间的干扰现象更加严重，如果数据长时间不刷新的话就会出现像之前三星840 Evo那样的读取旧文件会掉速的现象。&/p&&p&　　最关键的是闪存寿命直线下降，MLC的P/E次数至少还有&a href=&tel:&&&/a&次，而TLC公认的P/E指标是1000次，好点的可能做到1500次，依然比MLC差很多。但各种极限测试也都证明：正常家用，TLC 120g 固态的来说用个10年左右也是不成问题，所以不必纠结寿命。更别提很多寿命更长MLC的SSD。&/p&&p&　　目前全球生产NAND闪存芯片的厂商屈指可数：1三星、2东芝、3闪迪、4镁光（英睿达）、5海力士、6英特尔。其中三星市场占有率第一，东芝颗粒应用最广泛。另外还有英特尔、美光、三星、闪迪多用在自家产品。海力士的量则主要是供给移动市场为主。（不过在DRAM内存市场上，主要的玩家就剩下三星、SK Hynix及美光三家了）&/p&&figure&&img src=&https://pic3.zhimg.com/ec31acc02aa0da85a902356_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&400& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/ec31acc02aa0da85a902356_r.jpg&&&/figure&&p&&b&3D NAND闪存：未来的出路&/b&&/p&&p&　　NAND闪存不仅有SLC、MLC和TLC类型之分，为了进一步提高容量、降低成本，NAND的制程工艺也在不断进步，从早期的50nm一路狂奔到目前的15/16nm，但NAND闪存跟处理器不一样，先进工艺虽然带来了更大的容量，但NAND闪存的制程工艺是双刃剑，容量提升、成本降低的同时可靠性及性能都在下降，&u&因为工艺越先进，NAND的氧化层越薄，可靠性也越差，厂商就需要采取额外的手段来弥补，但这又会提高成本，以致于达到某个点之后制程工艺已经无法带来优势了。&/u&&/p&&p&　　相比之下，3D NAND解决问题的思路就不一样了，为了提高NAND的容量、降低成本，厂商不需要费劲心思去提高制程工艺了，转而堆叠更多的层数就可以了，这样一来3D NAND闪存的容量、性能、可靠性都有了保证了，比如东芝的15nm NAND容量密度为1.28Gb/mm2，而三星32层堆栈的3D NAND可以轻松达到1.87Gb/mm2，48层堆栈的则可以达到2.8Gb/mm2。&/p&&p&　　由于已经向垂直方向扩展NAND密度，那就没有继续缩小晶体管的压力了，所以三星、Intel和美光可以使用相对更旧的工艺来生产3D NAND闪存，&u&做成3D NAND MLC或者3D NAND TLC。&/u&现在三星已经就这样做了，850 Pro是3D MLC，850 Evo是3D TLC。使用旧工艺的好处就是P/E擦写次数大幅提升，而且电荷干扰的情况也因为使用旧工艺而大幅减少。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-cd63c4dba4894bda3275ab_b.jpg& data-caption=&& data-rawwidth=&500& data-rawheight=&498& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic4.zhimg.com/v2-cd63c4dba4894bda3275ab_r.jpg&&&/figure&&p&将平房增加楼层盖成高楼，单位面积内可容纳的人就会更多，这点是同理的。&/p&&p&　　三星、SK Hynix、东芝/闪迪、Intel/美光这四大NAND豪门都已经涉足3D NAND闪存了。三星最早量产了3D NAND，其他几家公司在3D NAND闪存量产上要落后三星至少2年时间。这四大豪门的3D NAND闪存所用的技术不同，堆栈的层数也不一样，而Intel在常规3D NAND闪存之外还开发了新型的3D XPoint闪存，它跟目前的3D闪存有很大不同，属于杀手锏级产品。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-c9eb06cd865e2d1bb601_b.png& data-caption=&& data-rawwidth=&709& data-rawheight=&372& class=&origin_image zh-lightbox-thumb& width=&709& data-original=&https://pic2.zhimg.com/v2-c9eb06cd865e2d1bb601_r.png&&&/figure&&p&　　Intel本来就是做存储技术起家的。虽然现在的主业是处理器，但存储技术从来没放松。根据Intel官方说法，3D XPoint闪存各方面都超越了目前的内存及闪存，性能是普通显存的1000倍，可靠性也是普通闪存的1000倍，容量密度是内存的10倍，而且是非易失性的，断电也不会损失数据。由于还没有上市，而且Intel对3D XPoint闪存口风很严。Intel准备在2016年开始推出基于3D XPoint技术的存储产品，内存容量可达6TB，值得关注。&/p&&p&　　传统的平面NAND闪存现在还谈不上末路，主流工艺是15/16nm，&u&但10/9nm节点很可能是平面NAND最后的机会了&/u&，而3D NAND闪存还会继续走下去，目前的堆栈层数不过32-48层，厂商们还在研发64层甚至更高层数的堆栈技术。3D NAND闪存在容量、速度、能效及可靠性上都有优势。&/p&&p&　　2D的TLC闪存由于各种问题是不会成为主流的，基本上只会有低价入门级的SSD会使用，现在的TLC SSD很多都是试验性产品，但是等到3D TLC大批量产后，它将会成为未来的主力。&/p&&p&&b&3、固件算法：&/b&&/p&&p&　　SSD的固件是确保SSD性能的最重要组件，用于驱动控制器。主控将使用SSD中固件算法中的控制程序，去执行自动信号处理，耗损平衡，错误校正码（ECC），坏块管理、垃圾回收算法、与主机设备（如电脑）通信，以及执行数据加密等任务。由于固件冗余存储至NAND闪存中，因此当SSD制造商发布一个更新时，需要手动更新固件来改进和扩大SSD的功能。&/p&&p&　　由于固件研发上的区别，采用相同主控的SSD也可能表现出完全不一样的性能和耐久度。而固件则通常是由厂商自行开发，并且时有更新，可以改善SSD性能并解决一些曾经出现的已知问题。如果用数字来说，&u&一块SSD中颗粒对性能的影响大约占60%，而固件与主控的影响会在20%左右。&/u&&/p&&p&　　开发高品