Nvidia RTX A4000 ADA 可以处理机器学习任务吗？

4 月， Nvidia推出了一款新产品 RTX A4000 ADA，这是一款专为工作站应用程序设计的小型 GPU。该处理器取代了A2000，可用于复杂的任务，包括科学研究、工程计算和数据可视化。

RTX A4000 ADA 都具有 6,144 个 CUDA 主导、192 个 Tensor 和 48 个 RT 主导还有 20GB GDDR6 ECC VRAM。新技术 GPU 的包括胜机的一个是其作用：RTX A4000 ADA 额定功率仅为 70W，然而减少了额定功率直接费用和机系统热能量。主要依靠 4x Mini-DisplayPort 1.4a 联系，GPU 还能您能够另一个提示器。

将 RTX 4000 SFF ADA GPU 与同类其他设备进行比较时，需要注意的是，在单精度模式下运行时，它表现出与最新一代 RTX A4000 GPU 相似的性能，后者的功耗是其两倍（140W vs. 70W）。

ADA RTX 4000 SFF 应用场景 ADA Lovelace 网络架构和 5 纳米水平制作工艺水平共建。这因此下几代 Tensor Core 和对光监视基本点拥有有可能，使用具备比 RTX A4000 很快、更高的效的对光监视和 Tensor 基本点，看起来提升 性。显然，ADA 的 RTX 4000 SFF 选择不同规格的中小型芯片封装 - 该卡长 168 豪米，机的薄厚等同于于一个扩大槽。

优化的光照搜寻内核可在用该科技的坏境（假如 3D 制定和宣传）中满足优质安全性能。另外，新GPU的20GB硬盘存储量使其能够补救特大型坏境。

据制造商介绍，第四代 Tensor 核心可提供极高的 AI 计算性能，比上一代性能提高了一倍。新的 Tensor 核心支持 FP8 加速。这一创新功能可能非常适合那些在基因组学和计算机视觉等环境中开发和部署人工智能模型的人。

还值不值得一提事项的是，编号达成谅解码制度化的上升使 RTX 4000 SFF ADA 成為视频播放等多网络媒体工做短路电流的优良解决方法实施方案。

NVIDIA RTX A4000 和 RTX A5000 显卡、RTX 3090 的技术规格

	RTX A4000 ADA	NVIDIA RTX A4000	NVIDIA RTX A5000	RTX 3090
建筑学	艾达·洛夫莱斯	安培	安培	安培
技术流程	5奈米	8纳米级	8纳米技术	8微米
图形处理器	AD104	GA102	GA104	GA102
晶体管数量（百万）	35,800	17,400	28,300	28,300
内存带宽（Gb/秒）	280.0	第448章	第768章	936.2
显存容量（位）	160	256	第四84章	第四84章
GPU内存（GB）	20	16	24	24
内存类型	GDDR6	GDDR6	GDDR6	GDDR6X
CUDA 核心	6,144	6 144	8192	10496
张量核心	192	192	256	328
RT 核心	48	48	64	82
SP 性能（万亿次浮点运算）	19.2	19,2	27,8	35,6
RT 核心性能（万亿次浮点运算）	44.3	37,4	54,2	69,5
张量性能（万亿次浮点运算）	306.8	153,4	222,2	第285章
最大功率（瓦）	70	140	230	350
界面	PCIe 4.0×16	PCI-E 4.0 x16	PCI-E 4.0 x16	PCIe 4.0 x16
连接器	4 个迷你型 DisplayPort 1.4a	DP 1.4 (4)	DP 1.4 (4)	DP 1.4 (4)
构成因素	2 个插槽	1 个插槽	2 个插槽	2-3个插槽
vGPU软件	不	不	是的，无敌制	是的。限制制
NVlink	不	不	2 个 RTX A5000	是的
CUDA支持	11.6	8.6	8.6	8.6
VULKAN 支持	1.3	是的	是的	是的，1.2
价格（美元）	1,250 人	1000	2500	1400

测试环境描述

	RTX A4000 ADA	RTX A4000
地方正确i5cpu	AMD 锐龙 9 5950X 3.4GHz（16 核）	八核英特尔至强 E-2288G，3.5 GHz
电脑内存	4 个 32 Gb DDR4 ECC SO-DIMM	2 个 32 GB DDR4-3200 ECC DDR4 SDRAM 1600 MHz
开车	1Tb NVMe 固态固态硬盘安装固态硬盘	三星a SSD 980 PRO 1TB
母板	华擎 X570D4I-2T	华硕P11C-I款型
进行模式	谷歌Windows 10	微软官网Windows 10

检测结果

V-Ray 5 基准测试

V-Ray GPU CUDA 和 RTX 测验精确测量较为 GPU 3D渲染耐磨性。 RTX A4000 GPU 略迟缓于 RTX A4000 ADA（不同为 4% 和 11%）。

机器学习

《狗与猫》

为了比较神经网络 GPU 的性能，我们使用了“狗与猫”数据集 - 该测试分析照片的内容并区分照片显示的是猫还是狗。可以找到所有必要的原始数据。我们在不同的 GPU 和云服务上运行此测试，得到以下结果：

在此项检验中，RTX A4000 ADA 的特点略胜 RTX A4000 9%，但请记得住新 GPU 的小尺码和低耗电量。

AI-Benchmark 容许您在 AI 模式化伤害主线任务这段时间衡量装备的性。衡量企业单位有机会会随着测试软件的有所不为差异而有所不为有所不为差异，但往往是每秒操作的数（OPS）或每秒帧数（FPS）。

	RTX A4000	RTX A4000 ADA
1/19。移动网络-V2	1.1——推论|生产批号 = 50，面积 = 224x224：38.5 ± 2.4 ms1.2 — 练习 |生产批号 = 50，面积 = 224x224：109 ± 4 毫秒	1.1——推论|批次线线 = 50，多少 = 224x224：53.5 ± 0.7 ms1.2 — 训练方法 |批次线线 = 50，多少 = 224x224：130.1 ± 0.6 毫秒
2/19。盗梦空间-V3	2.1 — 逻辑题 |批 = 20，宽度 = 346x346：36.1 ± 1.8 ms2.2 — 训练方法 |批 = 20，宽度 = 346x346：137.4 ± 0.6 毫秒	2.1 — 逻辑推理 |院校代号 = 20，长宽比 = 346x346：36.8 ± 1.1 ms2.2 — 康复训练 |院校代号=20，长宽比=346x346：147.5 ± 0.8 毫秒
3/19。盗梦空间-V4	3.1——逻辑题|院校代号 = 10，长宽比 = 346x346：34.0 ± 0.9 ms3.2 — 来训练 |院校代号=10，长宽比=346x346：139.4 ± 1.0 毫秒	3.1——逻辑|批号 = 10，大面积大小小 = 346x346：33.0 ± 0.8 ms3.2 — 锻炼 |批号=10，大面积大小小=346x346：135.7 ± 0.9 毫秒
4/19。 Inception-ResNet-V2	4.1 — 演绎推理 |提前院校代号 = 10，各个 = 346x346：45.7 ± 0.6 ms4.2 — 培训 |提前院校代号=8，各个=346x346：153.4 ± 0.8 毫秒	4.1 — 逻辑推理批=10，大大小小不一=346x346：33.6 ± 0.7 ms4.2 — 康复训练批=8，大大小小不一=346x346：132 ± 1 ms
5/19。 ResNet-V2-50	5.1 — 逻辑推理 |生产批号 = 10，宽度 = 346x346：25.3 ± 0.5 ms5.2 — 康复训练 |生产批号 = 10，宽度 = 346x346：91.1 ± 0.8 毫秒	5.1 — 侦探推理 |提前院校代号 = 10，尺寸规格 = 346x346：26.1 ± 0.5 ms5.2 — 训练方法 |提前院校代号 = 10，尺寸规格 = 346x346：92.3 ± 0.6 毫秒
6/19。 ResNet-V2-152	6.1 — 演绎推理 |生产批号 = 10，多少 = 256x256：32.4 ± 0.5 ms6.2 — 训练科目 |生产批号=10，多少=256x256：131.4 ± 0.7 毫秒	6.1 — 演绎推理 |院校代号 = 10，面积面积大小 = 256x256：23.7 ± 0.6 ms6.2 — 来训练 |院校代号=10，面积面积大小=256x256：107.1 ± 0.9 毫秒
7/19。 VGG-16	7.1 — 逻辑 |提前生产批号 = 20，高低 = 224x224：54.9 ± 0.9 ms7.2 — 锻炼 |提前生产批号=2，高低=224x224：83.6 ± 0.7 毫秒	7.1 — 推论 |批 = 20，多少 = 224x224：66.3 ± 0.9 ms7.2 — 的训练 |批=2，多少=224x224：109.3 ± 0.8 毫秒
8/19。 SRCNN 9-5-5	8.1 — 侦探演绎推理 |提前院校代号线 = 10，规格 = 512x512：51.5 ± 0.9 ms8.2 — 侦探演绎推理 |提前院校代号线 = 1，规格 = 1536x1536：45.7 ± 0.9 ms8.3 — 体能训练 |提前院校代号线=10，规格=512x512：183 ± 1 毫秒	8.1 — 侦探推论 |批号 = 10，多少 = 512x512：59.9 ± 1.6 ms8.2 — 侦探推论 |批号 = 1，多少 = 1536x1536：53.1 ± 0.7 ms8.3 — 康复训练 |批号=10，多少=512x512：176 ± 2 毫秒
9/19。 VGG-19 超高清	9.1 — 推论 |批 = 10，高低 = 256x256：99.5 ± 0.8 ms9.2 — 推论 |批 = 1，高低 = 1024x1024：162 ± 1 ms9.3 — 锻炼 |批 = 10，高低 = 224x224：204 ± 2 毫秒
10/19。 ResNet-SRGAN	10.1 — 推论 |院校代号 = 10，各个 = 512x512：85.8 ± 0.6 ms10.2 — 逻辑 |院校代号 = 1，各个 = 1536x1536：82.4 ± 1.9 ms10.3 — 训练法 |院校代号 = 5，各个 = 512x512：133 ± 1 毫秒	10.1 — 推论 |批号 = 10，的粗细 = 512x512：98.9 ± 0.8 ms10.2 — 演绎推理 |批号 = 1，的粗细 = 1536x1536：86.1 ± 0.6 ms10.3 — 进行训练 |批号 = 5，的粗细 = 512x512：130.9 ± 0.6 毫秒
11/19。 ResNet-DPED	11.1 — 推论 |提前提前院校代号 = 10，长宽 = 256x256：114.9 ± 0.6 ms11.2 — 演绎推理 |提前提前院校代号 = 1，长宽 = 1024x1024：182 ± 2 ms11.3 — 训炼 |提前提前院校代号=15，长宽=128x128：178.1 ± 0.8 毫秒	11.1 — 推论 |生产批号 = 10，的强弱 = 256x256：146.4 ± 0.5 ms11.2 — 侦探推理 |生产批号 = 1，的强弱 = 1024x1024：234.3 ± 0.5 ms11.3 — 练 |生产批号=15，的强弱=128x128：234.7 ± 0.6 毫秒
12/19。优网	12.1 — 推论 |批 = 4，面积数值 = 512x512：180.8 ± 0.7 ms12.2 — 逻辑题 |批=1，面积数值=1024x1024：177.0 ± 0.4 ms12.3 — 的训练 |批=4，面积数值=256x256：198.6 ± 0.5 毫秒	12.1 — 推论 |批号 = 4，尺寸 = 512x512：222.9 ± 0.5 ms12.2 — 逻辑 |批号 = 1，尺寸 = 1024x1024：220.4 ± 0.6 ms12.3 — 操练 |批号 = 4，尺寸 = 256x256：229.1 ± 0.7 毫秒
13/19。 Nvidia-SPADE	13.1 — 推论 |提前批次线 = 5，多少 = 128x128：54.5 ± 0.5 ms13.2 — 培训 |提前批次线=1，多少=128x128：103.6 ± 0.6 毫秒	13.1 — 推论 |生产批号 = 5，程度 = 128x128：59.6 ± 0.6 ms13.2 — 操练 |生产批号=1，程度=128x128：94.6 ± 0.6 毫秒
14/19。集成电路网	14.1 — 推论 |院校代号 = 5，粗细 = 1024x1536：126.3 ± 0.8 ms14.2 — 练习 |院校代号 = 10，粗细 = 1024x1536：426 ± 9 毫秒	14.1 — 推论 |批号 = 5，面积 = 1024x1536：144 ± 4 ms14.2 — 锻炼 |批号 = 10，面积 = 1024x1536：475 ± 17 毫秒
15/19。 PSP网络	15.1 — 推论 |生产批号线 = 5，面积多少 = 720x720：249 ± 12 ms15.2 — 练习 |生产批号线=1，面积多少=512x512：104.6 ± 0.6 毫秒	15.1 — 推论 |生产批号 = 5，面积规格 = 720x720：291.4 ± 0.5 ms15.2 — 来训练 |生产批号=1，面积规格=512x512：99.8 ± 0.9 毫秒
16/19。深度实验室	16.1 — 推论 |批号 = 2，强弱 = 512x512：71.7 ± 0.6 ms16.2 — 培养 |批号=1，强弱=384x384：84.9 ± 0.5 毫秒	16.1 — 推论 |生产批号 = 2，深浅 = 512x512：71.5 ± 0.7 ms16.2 — 训练法 |生产批号=1，深浅=384x384：69.4 ± 0.6 毫秒
17/19。像素RNN	17.1 — 推论 |批 = 50，各个 = 64x64：299 ± 14 ms17.2 — 康复训练 |批=10，各个=64x64：1258 ± 64 毫秒	17.1 — 推论 |批号 = 50，粗细 = 64x64：321 ± 30 ms17.2 — 魔鬼训练 |批号=10，粗细=64x64：1278 ± 74 毫秒
18/19。 LSTM-情感	18.1 — 推论 |提前批=100，面积=1024x300：395 ± 11 ms18.2 — 体能训练方法 |提前批=10，面积=1024x300：676 ± 15 毫秒	18.1 — 推论 |院校代号线=100，的宽度=1024x300：345 ± 10 ms18.2 — 训练学习 |院校代号线=10，的宽度=1024x300：774 ± 17 毫秒
19/19。 GNMT-翻译	19.1 — 推论 |批次线=1，程度=1x20：119 ± 2 毫秒	19.1 — 推论 |批=1，面积大小=1x20：156 ± 1 毫秒

该公测图片成果显示，RTX A4000 的功能比 RTX A4000 ADA 高 6%，但必须要准备的是，公测图片成果或者会随着关键工作和所运用的操作的环境而有一些·各不相同。

RTX A 4000

标杆管理	模型平均训练时间（毫秒）
体能训练双表面粗糙度种类mnasnet0_5	62.995805740356445
魔鬼训练双表面粗糙度分类mnasnet0_75	98.39066505432129
训炼双可靠性强，精密度类型、mnasnet1_0	126.60405158996582
训练方法双gps精度性质mnasnet1_3	186.89460277557373
体能训练双误差类resnet18	428.08079719543457
体能训练方法双误差型号resnet34	883.5790348052979
练习双导致精度结构类型resnet50	1016.3950300216675
操练双导致精度业务类型resnet101	1927.2308254241943
体能训练双高精度类行resnet152	2815.663013458252
体能训练方法双高精准度类行resnext50_32x4d	1075.4373741149902
培养双导致精度性质resnext101_32x8d	4050.0641918182373
康复训练双精确度型wide_resnet50_2	2615.9953451156616
锻炼双定位精度多种类型wide_resnet101_2	5218.524832725525
体能训练方法双精度等级类行densenet121	751.9759511947632
来训练双gps精度多种类型densenet169	910.3225564956665
训练科目双高精准度种类densenet201	1163.036551475525
的训练双准确度款式densenet161	2141.505298614502
练双表面粗糙度型号squeezenet1_0	203.988
锻炼双可靠性强，精密度类型、squeezenet1_1	98.04857730865479
培训双导致精度分类vgg11	1697.7
康复训练双精确度形式vgg11_bn	1729.2972660064697
训练科目双精密度较类行vgg13	2491.6
来训练双误差形式vgg13_bn	2545.34
训练学习双高精准度多种类型vgg16	3371.68
练双准确度类型的vgg16_bn	3423.8639068603516
训练课双gps精度形式vgg19_bn	4314.55
的训练双gps精度多种类型vgg19	4249.422650337219
练双控制精度型mobilenet_v3_large	105.546
练习双精确分类mobilenet_v3_small	37.6680850982666
的训练双高精度结构类型 shufflenet_v2_x0_5	26.51611328125
体能训练方法双精密度类型、shufflenet_v2_x1_0	61.260504722595215
训练方法双控制精度的类型 shufflenet_v2_x1_5	105.30067920684814
操练双准确度性质shufflenet_v2_x2_0	181.03694438934326
侦探推理双可靠性强，精密度类型的 mnasnet0_5	17.397074699401855
演绎推理双计算精度类 mnasnet0_75	28.902697563171387
推论双精密度较方式 mnasnet1_0	38.3877
逻辑题双可靠性强，精密度种类 mnasnet1_3	58.228821754455566
侦探推理双计算精度形式resnet18	147.95727252960205
逻辑题双要求类型的resnet34	293.5
侦探推理双高精准度类型的resnet50	336.44991874694824
侦探推理双控制精度类行resnet101	637.9982376098633
演绎推理双gps精度类型、resnet152	948.9351654052734
逻辑题双计算精度型 resnext50_32x4d	372.80876636505127
推论双要求类型、 resnext101_32x8d	1385.09
推论双gps精度内型wide_resnet50_2	873.048791885376
演绎推理双精密度较性质wide_resnet101_2	1729.2765426635742
推论双可靠性强，精密度型号densenet121	270.354
逻辑题双表面粗糙度型号densenet169	327.06
推论双高精度型densenet201	414.733362197876
逻辑双表面粗糙度类densenet161	766.3542318344116
演绎推理双计算精度的类型squeezenet1_0	74.86292839050293
逻辑双精准度种类squeezenet1_1	34.04905319213867
推论双计算精度种类 vgg11	576.3767147064209
演绎推理双定位精度方式 vgg11_bn	580.5839586257935
推论双可靠性强，精密度多种类型 vgg13	853.4365510940552
推论双精度等级分类 vgg13_bn	860.39
演绎推理双准确度业务类型 vgg16	1145.091052055359
侦探推理双计算精度的类型 vgg16_bn	1152.8028392791748
演绎推理双准确度款式 vgg19_bn	1444.9562692642212
演绎推理双控制精度品类 vgg19	1437.0987701416016
逻辑双精度等级类形 mobilenet_v3_large	30.8763
推论双计算精度型 mobilenet_v3_small	11.234536170959473
推论双精度等级类别 shufflenet_v2_x0_5	7.425284385681152
逻辑题双定位精度结构类型 shufflenet_v2_x1_0	18.25782299041748
演绎推理双精密度较类型的 shufflenet_v2_x1_5	33.34946632385254
逻辑双准确度内型 shufflenet_v2_x2_0	57.84676551818848

RTX A4000 ADA

标杆管理	模型平均列车时间
培训半准确度性质mnasnet0_5	20.2666
训炼半的精密度方式mnasnet0_75	21.445374488830566
康复训练半精度等级内型mnasnet1_0	26.7625
训炼半控制精度类别mnasnet1_3	26.57
培养半精确结构类型resnet18	19.624991416931152
训练课半精确分类resnet34	32.46446132659912
培养半精密度较型resnet50	57.332
锻炼半导致精度型resnet101	98.209
来训练半精密度结构类型resnet152	138.967
练习半控制精度品类resnext50_32x4d	75.56005001068115
体能训练半高精准度品类resnext101_32x8d	228.8706636428833
康复训练半精密度性质wide_resnet50_2	113.76442432403564
操练半精度等级类行wide_resnet101_2	204.838
康复训练半可靠性强，精密度品类densenet121	68.97401332855225
练半精度等级型densenet169	85.957
训练课半可靠性强，精密度型densenet201	103.299241065979
来训练半要求结构类型densenet161	137.54578113555908
来训练半定位精度类型的squeezenet1_0	16.729
培养半准确度类形squeezenet1_1	12.906527519226074
操练半精准度类形vgg11	51.7004919052124
训练科目半高精准度类vgg11_bn	57.63327598571777
来训练半高精准度类型、vgg13	86.809
训练方法半精度等级内型vgg13_bn	95.86676120758057
练习半的精密度型vgg16	102.918
练半的精密度类行vgg16_bn	113.74778270721436
的训练半表面粗糙度形式vgg19_bn	131.56734943389893
训练科目半高精度型vgg19	119.706
培训半精准度多种类型mobilenet_v3_large	31.30636692047119
训练方法半计算精度内型mobilenet_v3_small	19.44464683532715
训练方法半精确类shufflenet_v2_x0_5	13.7766
训练科目半精密度类型的shufflenet_v2_x1_0	23.608479499816895
锻炼半精密度类型、shufflenet_v2_x1_5	26.793746948242188
学习半计算精度类别shufflenet_v2_x2_0	24.550962448120117
侦探推理半的精密度内型 mnasnet0_5	4.4934
演绎推理半导致精度形式 mnasnet0_75	4.0253
侦探推理半准确度类形 mnasnet1_0	4.42598819732666
逻辑题半可靠性强，精密度多种类型 mnasnet1_3	4.6809
逻辑推理半精密度较业务类型resnet18	5.803341865539551
侦探推理半计算精度多种类型resnet34	9.756693840026855
演绎推理半高精准度型resnet50	15.873079299926758
逻辑推理半高精准度型resnet101	28.268003463745117
演绎推理半精密度较型resnet152	40.04594326019287
推论半精确类别 resnext50_32x4d	19.53421115875244
逻辑题半的精密度类形 resnext101_32x8d	62.44826316833496
演绎推理半导致精度种类wide_resnet50_2	33.533992767333984
逻辑推理半可靠性强，精密度品类wide_resnet101_2	59.60897445678711
推论半精度等级型号densenet121	18.052735328674316
侦探推理半表面粗糙度款式densenet169	21.956982612609863
侦探推理半控制精度型densenet201	27.851
演绎推理半高精准度类别densenet161	37.414
侦探推理半定位精度分类squeezenet1_0	4.3978
推论半定位精度业务类型squeezenet1_1	2.42833
逻辑推理半导致精度型号 vgg11	17.623
逻辑推理半精准度品类 vgg11_bn	18.40585231781006
逻辑题半要求型号 vgg13	28.4386
逻辑题半控制精度内型 vgg13_bn	30.672597885131836
侦探推理半精密度性质 vgg16	34.43562984466553
逻辑推理半可靠性强，精密度型号 vgg16_bn	36.929
逻辑推理半精确形式 vgg19_bn	43.1406
逻辑半精密度较型号 vgg19	40.5385684967041
逻辑半高精准度方式 mobilenet_v3_large	5.3507
推论半的精密度类别 mobilenet_v3_small	4.0512
逻辑推理半精密度较结构类型 shufflenet_v2_x0_5	5.0797
演绎推理半精密度较的类型 shufflenet_v2_x1_0	5.5935
逻辑半定位精度种类 shufflenet_v2_x1_5	5.649552345275879
逻辑题半计算精度类别 shufflenet_v2_x2_0	5.355663299560547
锻炼双精密度种类mnasnet0_5	50.2386999130249
学习双精准度类型、 mnasnet0_75	80.66896915435791
培养双要求款式 mnasnet1_0	103.32422733306885
练双精确度的类型 mnasnet1_3	154.6230697631836
训练科目双要求业务类型resnet18	337.94031620025635
来训练双要求多种类型resnet34	677.7706575393677
锻炼双精确形式resnet50	789.9243211746216
训练课双表面粗糙度类型的resnet101	1484.3351316452026
训练学习双定位精度类别resnet152	2170.570478439331
学习双定位精度结构类型resnext50_32x4d	877.37
的训练双控制精度品类resnext101_32x8d	3652.4944639205933
练习双高精度业务类型wide_resnet50_2	2154.6
的训练双导致精度方式wide_resnet101_2	4176.522083282471
训练学习双精确度业务类型densenet121	607.8699731826782
训练课双精准度类行densenet169	744.6409797668457
来训练双误差型号densenet201	962.677731513977
进行训练双精确类别densenet161	1759.772515296936
学习双控制精度分类squeezenet1_0	164.3690824508667
体能训练方法双gps精度型号squeezenet1_1	78.70647430419922
康复训练双gps精度型vgg11	1362.6095294952393
训练法双高精准度类行vgg11_bn	1387.2539138793945
学习双的精密度类型的vgg13	2006.0230445861816
魔鬼训练双计算精度的类型vgg13_bn	2047.526364326477
来训练双表面粗糙度品类vgg16	2702.2086429595947
训炼双的精密度分类vgg16_bn	2747.241234779358
训练方法双精密度分类vgg19_bn	3447.34
训练法双计算精度方式vgg19	3397.990345954895
体能训练双误差的类型mobilenet_v3_large	84.65698719024658
培训双导致精度种类mobilenet_v3_small	29.8617
训练课双准确度方式 shufflenet_v2_x0_5	27.4073
学习双导致精度类别shufflenet_v2_x1_0	48.322744369506836
练双精密度分类 shufflenet_v2_x1_5	82.224
训炼双高精准度性质shufflenet_v2_x2_0	141.7021369934082
推论双精确型号 mnasnet0_5	12.988653182983398
逻辑推理双精确性质 mnasnet0_75	22.4228
逻辑双控制精度种类 mnasnet1_0	30.056486129760742
逻辑推理双计算精度性质 mnasnet1_3	46.953935623168945
逻辑推理双gps精度类别resnet18	118.04479122161865
逻辑推理双精密度类型的resnet34	231.52336597442627
侦探推理双精确多种类型resnet50	268.63497734069824
侦探推理双精准度类型的resnet101	495.20
逻辑题双的精密度品类resnet152	726.4922094345093
侦探推理双准确度型号 resnext50_32x4d	291.47679328918457
逻辑推理双误差的类型 resnext101_32x8d	1055.
侦探推理双精度等级分类wide_resnet50_2	690.69
逻辑推理双控制精度款式wide_resnet101_2	1347.5529861450195
逻辑双计算精度型号densenet121	224.35829639434814
演绎推理双高精度型号densenet169	268.94
侦探推理双的精密度型densenet201	343.51
逻辑推理双精密度较类型、densenet161	635.866231918335
演绎推理双高精准度型号squeezenet1_0	61.92759037017822
逻辑双高精度款式squeezenet1_1	27.0094
逻辑推理双可靠性强，精密度分类 vgg11	462.3375129699707
演绎推理双误差性质 vgg11_bn	468.4495782852173
逻辑双表面粗糙度种类 vgg13	692.82
侦探推理双要求多种类型 vgg13_bn	703.3538103103638
逻辑双高精准度形式 vgg16	924.4353818893433
侦探推理双高精准度类形 vgg16_bn	936.5075063705444
侦探推理双准确度类型的 vgg19_bn	1169.098300933838
演绎推理双准确度形式 vgg19	1156.3771772384644
逻辑推理双要求型 mobilenet_v3_large	24.2356014251709
逻辑双的精密度结构类型 mobilenet_v3_small	8.85490894317627
逻辑题双可靠性强，精密度的类型 shufflenet_v2_x0_5	6.360034942626953
侦探推理双误差类形 shufflenet_v2_x1_0	14.3054
推论双可靠性强，精密度的类型 shufflenet_v2_x1_5	24.863481521606445
演绎推理双精确度型号 shufflenet_v2_x2_0	43.8505744934082

结论

现实材料，新1050显卡是越来越多工作上世界任务的有郊克服规划。基于其紧促的长宽，它相当适功用变强的 SFF（大型）折算机。再者，必玩注意力的是，6,144 个 CUDA 基本和 20GB 4g内存或是 160 位串口通信使该卡变成市面 上生产方式力最大的卡中的一种。再者，70W的低TDP能有效的拉低额定功率利润。六个 Mini-DisplayPort 服务器端口准许该卡与多表明器一块儿动用或用于多工作区几何图形克服规划。

RTX 4000 SFF ADA 比前三代食品有了大量持续发展，其使用使用性能相当于是于卡的两倍，额定功率的确是后面一种的两倍。 RTX 4000 SFF ADA 不能不 PCIe 供电接入器，可轻松自由集成型到低额定功率作业站中，而不能不殉难高使用使用性能。