如何知道伺服器的顯卡類型

① 如何區分GPU伺服器和普通伺服器

GPU伺服器是基於GPU的應用視頻編解碼、深度學習、海量運算等多種場景的快速、穩定的計算服務。GPU加速計算可以提供非凡的應用程序性能，能將應用程序計算密集部分的工作負載到GPU，同時仍由CPU運行其餘程序代碼。普通伺服器在這些方面的應用上可能會稍微差點。其實你也可以去網上對比看看，去官網找幾個具體的型號做一下對比。思騰合力在業界的口碑還是不錯的，擁有覆蓋全場景的需求的GPU伺服器產品線，擁有自主品牌GPU伺服器以及通用X86伺服器，還是挺不錯的。

② linux伺服器如何查看GPU信息

Linux查看顯卡信息：

[python]view plain

• lspci|grep-ivga

使用nvidia GPU可以：

[python]view plain

• lspci|grep-invidia





表頭釋義：


• Fan：顯示風扇轉速，數值在0到100%之間，是計算機的期望轉速，如果計算機不是通過風扇冷卻或者風扇壞了，顯示出來就是N/A；

• Temp：顯卡內部的溫度，單位是攝氏度；

• Perf：表徵性能狀態，從P0到P12，P0表示最大性能，P12表示狀態最小性能；

• Pwr：能耗表示；

• Bus-Id：涉及GPU匯流排的相關信息；

• Disp.A：是Display Active的意思，表示GPU的顯示是否初始化；

• Memory Usage：顯存的使用率；

• Volatile GPU-Util：浮動的GPU利用率；

• Compute M：計算模式；

下邊的Processes顯示每塊GPU上每個進程所使用的顯存情況。


如果要周期性的輸出顯卡的使用情況，可以用watch指令實現：

[python]view plain

• watch-n10nvidia-smi

命令行參數-n後邊跟的是執行命令的周期，以s為單位。

③ 伺服器需要什麼樣的顯卡

伺服器是可以配置獨立顯卡的，但是伺服器顯卡都比較貴，而且不是所有伺服器都可以配置獨立顯卡的，下面是一款伺服器常用的獨立顯卡NV Grid K1的參數：

顯存：16GB。

核心頻率：850MHz。

顯存頻率：891MHz。

顯存位寬：128bit。

流處理量：768個。

④ 請問linux怎樣識別獨立顯卡

1、linux系統由於穩定性比野悔較好，所以作為伺服器的使用比較多；伺服器端對於顯卡的要求很低，甚至不需要顯卡；
2、如果想作為桌面系統來用的話，由於很多廠商對linux系物脊清統的硬體兼容性支持不是很好，需要安裝合適的顯罩前卡驅動；
3、對於是否需要配置獨顯，看個人需要，如果對屏幕的顯示效果要求比較高的話，可以配一個，但前提是系統能夠識別出；有些最新的獨顯設備linux系統可能還沒有合適的顯卡驅動，對於目前的主流操作系統，大可放心，無獨顯依舊能夠正常顯示，我已經安裝過多個linux系統版本了，目前還未發現本本自帶顯卡有問題的。

⑤ 什麼是伺服器性能的顯卡，怎麼理解

如果單說「性能」二字，那就是個偽命題，伺服器也分不同的性能級別，有些刀片伺服器的性能甚至還不如某些發燒級的游戲台式機，那它所用的顯卡性能也會比較一般，如果是說哪些顯卡是專門為伺服器設計的，那麼市場上常見的是三個品牌：NVIDIA、AMD、Intel。NV的Quadro、Tesla K、AMD的FirePro、以及該分類市場新秀Intel的Phi。都屬於伺服器的顯卡，而且由於伺服器特殊的任務需求，他所執行的不是單一的游戲渲染，通常都是大規模的並行運算，所以我們一般都把伺服器的顯卡叫做「圖形加速卡」或「通用計算卡」。

⑥ 伺服器用什麼顯卡

一般來說會自帶集成顯卡，後期升級如果介面滿足也可以使用獨立顯卡。你可以去伺服器廠商，國內的正睿、聯想、戴爾、曙光，國外的惠普、戴爾等找找相似的產品參考一下，避免升級產生的問題。

⑦ 如何正確選擇GPU伺服器

選擇GPU伺服器時首先要考慮業務需求來選擇適合的GPU型號。在HPC高性能計算中還需要根據精度來選擇，比如有的高性能計算需要雙精度，這時如果使用P40或者P4就不合適，只能使用V100或者P100；同時也會對顯存容量有要求，比如石油或石化勘探類的計算應用對顯存要求比較高；還有些對匯流排標准有要求，因此，十次方平台建議您選擇GPU型號要先看業務需求。
當GPU型號選定後，再考慮用什麼樣GPU的伺服器。這時我們需要考慮以下幾種情況：
第一、 在邊緣伺服器上需要根據量來選擇T4或者P4等相應的伺服器，同時也要考慮伺服器的使用場景，比如火車站卡口、機場卡口或者公安卡口等；在中心端做Inference時可能需要V100的伺服器，需要考慮吞吐量以及使用場景、數量等。
第二、 需要考慮客戶本身使用人群和IT運維能力，對於BAT這類大公司來說，他們自己的運營能力比較強，這時會選擇通用的PCI-e伺服器；而對於一些IT運維能力不那麼強的客戶，他們更關注數字以及數據標注等，我們稱這類人為數據科學家，選擇GPU伺服器的標准也會有所不同。
第三、 需要考慮配套軟體和服務的價值。
第四、要考慮整體GPU集群系統的成熟程度以及工程效率，比如像DGX這種GPU一體化的超級計算機，它有非常成熟的操作系統驅動Docker到其他部分都是固定且優化過的，這時效率就比較高。