顯示卡的浮點運算能力。所以一般支援CUDA的N卡，A卡不如N卡合適。深度學習本質都是大量的資料運算，所以需要較高的浮點運算能力。

首先，看品牌。這個沒什麼選擇。NVIDIA

AMD的卡支援OpenCL。不過相比NVIDIA家的CUDA, OpenCL完全不是對手。由於NVIDIA投入深度學習領域較早，深度學習的大量標準庫和框架都基於CUDA.

其次，看是否與cuDNN相容。

基本上所有的深度學習庫都使用cuDNN. 因此，確保購買的是Kepler系列以上的N卡，或者說，GTX 600以上級別的卡（警告：GTX 600雖然相容cuDNN，但是很慢）。

然後，看頻寬。

CPU和GPU的設計不同。如果用快遞來打比方，CPU像是一輛摩托車，而GPU像是一輛貨車。它們都能用來搬用貨物，但是適用的貨物型別不同。CPU（摩拖車）可以非常快速地訪問記憶體（包裹）而GPU（貨車）訪問記憶體的速度很慢（高延遲）。然而，如果包裹數量很多的話，CPU（摩托車）需要多次往返才能完成運輸，而GPU（貨車）一下子就能運輸一大堆包裹。

換句話說，CPU（摩托車）適合處理小資料（幾個小包裹）而GPU（貨車）適合處理大資料（多個大包裹）。Intel最高階的Core i9-7980XE，記憶體頻寬約為57GB/s， 而NVIDIA為大資料分析與科學計算推出的Tesla K80頻寬高達480GB/s，NVIDIA今年新上市的Tesla P100頻寬更是高達900GB/s。

這個設計上的區別，決定了GPU更擅長深度學習。深度學習由多層的神經網路組成，這些神經網路包含很多權重和偏置。而這些權重和偏置簡單來說，就是許多巨大的浮點矩陣。這就意味著，深度學習需要很大的記憶體頻寬訪問這些網路。

GPU和CPU的關鍵差別在於記憶體頻寬。因此，記憶體頻寬是挑選GPU的重要因素。當然，不同系列的GPU因為架構不同，對記憶體頻寬的利用率有所差異。但總的來說，記憶體頻寬大致上還是一個很好的參考指標。

再次，看視訊記憶體。

不同的深度學習任務對視訊記憶體的要求是不一樣的。

一般來說，3GB的視訊記憶體是基本不夠用的。6GB有點窘迫，但對某些應用來說也足夠了。8GB的話，對於很多應用來說都夠用了。對於影象和影片領域，視訊記憶體是多一點好一點，可能需要帶11GB或者12GB視訊記憶體的顯示卡。

最後，看價格。

價格當然也是要考慮的，包括：

入門深度學習，並不推薦動輒好幾萬的Tesla K40和Tesla K80這樣的專業計算卡。這些專業計算卡是為科學運算設計的，科學計算需要很高的精度，因此這些專業計算卡比普通的消費級顯示卡貴很多。可是，深度學習對於計算精度的要求並不高。當然，如果你自控能力特別差，擔心買了消費級顯示卡就沉迷遊戲不可自拔的話，那還是咬咬牙買專業計算卡吧。

另外，如果你使用MacBook Pro作為開發平臺的話，也可以考慮購買Thunderbolt介面的外接顯示卡。外接顯示卡與主機之間的通訊依賴Thunderbolt，頻寬約20GB/s，對於深度學習來說足夠了。