2023年5月3500元电脑配置推荐：R5 5600搭配RX6600／RX6650XT显卡
淘宝搜：【天降红包222】领超级红包，京东搜：【天降红包222】
淘宝互助，淘宝双11微信互助群关注公众号 【淘姐妹】
如果你的预算在3500~4000元，想要配置一台主玩游戏的电脑，如何配置呢？
首先，这个价位可选的CPU有i3-12100F和R5-5600，这里推荐R5-5600，因为其三级缓存更大，整体游戏性能、帧数稳定性会更强。显卡这个价位可以考虑A卡，毕竟很少拿这个价位的卡跑渲染、生产力，纯玩游戏A卡不差，这里推荐：RX6600或者RX6650XT。
CPU+主板：CPU选择的是近期主流级的R5 5600，采用6核心12线程设计，睿频可达4.4GHz，三缓达到32MB（属于大三缓设计了），由于采用了大三缓设计，游戏性能上是超过i5-12100的。搭配的主板是A520主板，优点是便宜，缺点就是不支持CPU超频和内存超频，如果有超频需求可以搭配B450或B550主板。
显卡：显卡选择的是RX6600 8G，性能介于RTX2060和RTX3060之间，相比RTX2060提升7%左右，落后RTX3060大概6%，只是在光追游戏方面有所落后，普通光栅游戏方面很不错，价格相比RTX3060要便宜几百，能在2K分辨率下畅玩大部分3A游戏了。
散热器：选择的是自带的幽灵散热器，虽然叫幽灵，但是比较吵，如果你觉得自带的幽灵散热器吵的话，可以换利民AX120 R SE这样的单塔散热器。
内存、硬盘：内存用的金百达银爵DDR4 3200 16G（8G*2）组成双通道，价格便宜，性能不错。硬盘选择的是金士顿NV2 1TB固态，也是比较有性价比的。
机箱：这里推荐的是玩嘉光遇机箱，可以根据喜好更换，只要尺寸兼容即可。
这套配置主要升级了主板到B450，升级的目的就是增加CPU和内存的超频能力，CPU超频现在的收益不高，但是内存超频还是很有必要的，尤其是现在高频内存的价格已经很白菜了，配上高频内存对性能的提升还是肉眼可见的。B450主板的内存插槽数量，接口数量也更丰富，可以满足更高的拓展要求。
这套配置升级了主板和显卡，主板的升级较小，B550相比B450就是增加对PCIe4.0的支持，可以上PCIe4.0的固态。主要升级是显卡，RX6650XT性能介于RTX3060与RTX3060Ti之间，相比RTX3060强10%左右，我们一般拿RTX3060作为畅玩2K高画质游戏的标准，RX6650XT在玩游戏方面会更有优势，而且相比还没有矿卡的风险。
注意：因为市场行情变化，配置中的价格仅供参考。
以上便是 @酷机君 分享的3套R5 5600的电脑配置方案，分别选用了RX6600和RX6650XT显卡，3套配置都可以在2K分辨率下高画质玩3A大作，具体怎么选看自己的预算。高端因为生产力、光追优势还是更推荐N卡，A卡在中低端领域价格上还是普遍有优势的，因为基本没人在这个级别去追求极致的生产力。
2020 年深度学习最佳 GPU 一览，看看哪一款最适合你！
关注上方“深度学习技术前沿”，选择“星标公众号”，
资源干货，第一时间送达！
大数据文摘出品
来源：lambdalabs
编译：张秋h
深度学习模型越来越强大的同时，也占用了更多的内存空间，但是许多GPU却并没有足够的VRAM来训练它们。
那么如果你准备进入深度学习，什么样的GPU才是最合适的呢？下面列出了一些适合进行深度学习模型训练的GPU，并将它们进行了横向比较，一起来看看吧！
太长不看版
截至2020年2月，以下GPU可以训练所有当今语言和图像模型：
RTX 8000：48GB VRAM，约5500美元
RTX 6000：24GB VRAM，约4000美元
Titan RTX：24GB VRAM，约2500美元
以下GPU可以训练大多数（但不是全部）模型：
RTX 2080 Ti：11GB VRAM，约1150美元
GTX 1080 Ti：11GB VRAM，返厂翻新机约800美元
RTX 2080：8GB VRAM，约720美元
RTX 2070：8GB VRAM，约500美元
以下GPU不适合用于训练现在模型：
RTX 2060：6GB VRAM，约359美元。
在这个GPU上进行训练需要相对较小的batch size，模型的分布近似会受到影响，从而模型精度可能会较低。
图像模型
内存不足之前的最大批处理大小：
*表示GPU没有足够的内存来运行模型。
性能（以每秒处理的图像为单位）：
*表示GPU没有足够的内存来运行模型。
语言模型
内存不足之前的最大批处理大小：
*表示GPU没有足够的内存来运行模型。
性能：
* GPU没有足够的内存来运行模型。
使用【【微信】】结果进行标准化后的表现
图像模型
语言模型
结论
语言模型比图像模型受益于更大的GPU内存。注意右图的曲线比左图更陡。这表明语言模型受内存大小限制更大，而图像模型受计算力限制更大。
具有较大VRAM的GPU具有更好的性能，因为使用较大的批处理大小有助于使CUDA内核饱和。
具有更高VRAM的GPU可按比例实现更大的批处理大小。只懂小学数学的人都知道这很合理：拥有24 GB VRAM的GPU可以比具有8 GB VRAM的GPU容纳3倍大的批次。
比起其他模型来说，长序列语言模型不成比例地占用大量的内存，因为注意力（attention）是序列长度的二次项。
GPU购买建议
RTX 2060（6 GB）：你想在业余时间探索深度学习。
RTX 2070或2080（8 GB）：你在认真研究深度学习，但GPU预算只有600-800美元。8 GB的VRAM适用于大多数模型。
RTX 2080 Ti（11 GB）：你在认真研究深度学习并且您的GPU预算约为1,200美元。RTX 2080 Ti比RTX 2080快大约40％。
Titan RTX和【【微信】】（24 GB）：你正在广泛使用现代模型，但却没有足够买下RTX 8000的预算。
【【微信】】（48 GB）：你要么是想投资未来，要么是在研究2020年最新最酷炫的模型。
附注
图像模型：
语言模型：
相关报道：
https://lambdalabs.com/blog/choosing-a-gpu-for-deep-learning/
重磅！深度学习技术前沿-微信群已成立
扫码添加群助手，可申请加入?深度学习技术前沿?微信群，旨在交流深度学习方面的学习、科研、工程项目等内容，并且还会在群中分享求职内推资料。后续还会根据大家的研究方向细分技术交流群。
一定要备注：研究方向+学校/公司+姓名（如图像分割+浙大+李四），按照格式备注，可更快被通过且邀请进群。
?长按识别，即可加群
?长按识别，即可关注
