Ⅰ 1080ti算力多少tflops
莱特币是1.8G的算力。全网算力才8600Gh/s，1080ti显卡独占1/4700。
?
?
?
_蕴遥_TH），算力才32MH/s，1070都有40MH/s了。很多人说1080Ti算力拉不上去是因为gddr5x显存延迟高，果然还是A卡的挖矿好，网上看到别人说480都能有65MH/s的算力。
?
?
?
_EC币，算力724Sol/s，接近三张10603G的算力，总价比3张1060贵个2K软妹币。但相比供不应求的A卡RX4808G，3张价格才5K不到，算力却有900+Sol/s，不过有价无市也白搭。
Ⅱ 深度学习吃什么性能
单精度浮点数运算速度。
单精度浮点数，也就是FP32，tensorflow里面的tf.float32，是我们最常用的数据精度，也是各个深度学习框架默认的数据精度。可以看出，在这项性能指标上，各个显卡的差距都不是很大。综合性价比，这里推荐2080Ti，2080以及1080Ti。
显存大小。
显存即显卡内存，决定了我们一次读入显卡进行运算的数据多少(batchsize)和我们能够搭建的模型大小(网络层数、单元数)，是对深度学习研究人员来说很重要的指标，可以看到RTX8000拥有48GB的最大显存，TeslaV10032GB版具备32GB显存，不过这些卡的价格都太昂贵了，这里小编更推荐2080Ti以及1080Ti。如果确实需要大显存，更实惠的方案是购买两张TITANRTX，并通过Nvlink组成双卡实现显存共享，享受48GB和两张卡的算力。
半精度浮点数运算速度。
如果对运算的精度要求不高，那么就可以尝试使用半精度浮点数进行运算。这个时候，Tensor核心就派上了用场。TensorCore专门执行矩阵数学运算，适用于深度学习和某些类型的HPC。TensorCore执行融合乘法加法，其中两个4*4FP16矩阵相乘，然后将结果添加到4*4FP16或FP32矩阵中，最终输出新的4*4FP16或FP32矩阵。NVIDIA将TensorCore进行的这种运算称为混合精度数学，因为输入矩阵的精度为半精度，但乘积可以达到完全精度。TensorCore所做的这种运算在深度学习训练和推理中很常见。所以，购买具备TensorCore的显卡战未来吧。英伟达宣称使用TensorCore进行矩阵运算可以轻易的在训练时达到2-5倍的提速，同时降低一半的内存访问和存储。不仅提升运算速度，还能把显存占用减半，这样的好事就是由TensorCore实现的。这里推荐RTX系列，例如2080Ti。需要注意的是采用上一代Pascal架构的显卡，比如1080Ti和TITANXp并没有TensorCore这样的专门计算单元，所以半精度浮点数性能很差。
Ⅲ 16tops算力相当于
GTX1080ti。根据查询相关公开消息显示，为AI芯片升腾310，12nm制程，算力为16TOPS这算力，相当于GTX1080ti。GTX1080Ti采用了和TitanXPascal相同的GP102核心，包含3584个流处理蔽局器，神笑核心最高频率1.6GHz，352bit位宽11GBGDDR5X显游并含存。
Ⅳ 深度学习显卡怎么看CUDA compute capability
该项目的计算力，GTX1080TI算力6.1/3.7，约K80的1.64倍
目前深度学习比较热门的卡：RTX2080TI，RTX2070（多路），GTX1080TI目前退市不容易买到多张。（二手另说）
*CUDA平台的深度学习，显卡主要看：单精度浮点运算，显存，Tensor Core（图灵架构与伏特架构才有，RTX系列与TITAN V）
*Tesla主要稳定性与一些特殊功能上,双精度（目前这个深度学习用的少），跑单精度与半精度浮点运算优势不大，价格昂贵（想要超过GTX1080TI算力，需要Tesla V100，一张几万）