ฉันต้องการ GPU สำหรับการแพร่กระจายที่มั่นคงหรือไม่? คู่มือพีซี, การแพร่กระจายที่เสถียร: GPU ใดที่เรียกใช้ AI เร็วที่สุด (อัปเดต) | ฮาร์ดแวร์ของ Tom S
การแพร่กระจายที่เสถียร: GPU ใดที่ทำงาน AI เร็วที่สุด (อัปเดต)
เราจะไปถึงหมายเลขประสิทธิภาพการคำนวณเชิงทฤษฎีอื่น ๆ ในอีกสักครู่ แต่พิจารณาอีกครั้ง RTX 2080 TI และ RTX 3070 TI เป็นตัวอย่าง. คอร์เทนเซอร์ 2080 Ti ไม่รองรับ Sparsity และมีการคำนวณ FP16 มากถึง 108 TFLOPS. RTX 3070 TI รองรับ Sparsity ด้วย 174 TFLOPS ของ FP16 หรือ 87 TFLOPS FP16 โดยไม่มี sparsity. ความจริงที่ว่า 2080 Ti ชนะ 3070 TI แสดงให้เห็นอย่างชัดเจนว่า Sparsity ไม่ใช่ปัจจัย. .
ฉันต้องการ GPU สำหรับการแพร่กระจายที่มั่นคงหรือไม่?
คุณสงสัยว่าคุณต้องการ GPU สำหรับการแพร่กระจายที่มั่นคงหรือไม่? .
การแพร่กระจายที่เสถียรนั้นเป็นเครื่องมือสร้าง AI ที่รวดเร็วและใช้งานง่ายเช่น Dall-E และ Midjourney. ผลลัพธ์ของมันน่าประทับใจดังนั้นจึงมีผู้ใช้หลายล้านคนในขณะนี้. อย่างไรก็ตามหากคุณต้องการใช้มันบนพีซีของคุณตรวจสอบให้แน่ใจว่าข้อกำหนดนั้นเป็นจริงโดยเฉพาะอย่างยิ่งเมื่อพูดถึงการ์ดกราฟิก. เมื่อพูดถึงสิ่งที่เราจะพูดถึงว่าการแพร่กระจายที่เสถียรสามารถทำงานได้โดยไม่ต้องใช้ GPU หรือไม่หรือคุณยังต้องการการ์ดกราฟิกเพื่อทำงานอย่างถูกต้อง.
. พวกเขาเป็นสิ่งสำคัญสำหรับการสร้างงานศิลปะที่สร้างขึ้นในระดับเชิงพาณิชย์หรือระดับมืออาชีพมากขึ้น.
เครื่องมือ AI ที่จำเป็น
ข้อตกลงพิเศษ 10,000 เครดิตโบนัสฟรี
. ลูกค้ากว่า 100,000 รายสร้างเนื้อหาจริงด้วย Jasper. เครื่องมือ AI หนึ่งรุ่นรุ่นที่ดีที่สุดทั้งหมด.
สัมผัสกับพลังเต็มรูปแบบของเครื่องกำเนิดเนื้อหา AI ที่ให้ผลลัพธ์พรีเมี่ยมในไม่กี่วินาที. ผู้ใช้ 8 ล้านคนสนุกกับการเขียนบล็อกเร็วขึ้น 10 เท่าสร้างโพสต์โซเชียลมีเดียที่มีการแปลงได้อย่างง่ายดายหรือเขียนอีเมลที่น่าสนใจมากขึ้น. . อ่านเพิ่มเติม
เพียง $ 0.00015 ต่อคำ!
เครื่องตรวจจับ Winston AI
. .
เพียง $ 0.01 ต่อ 100 คำ
ความคิดริเริ่ม.AI เป็นการตรวจจับ AI ที่แม่นยำที่สุด.. ส่วนขยายโครเมี่ยมที่มีประโยชน์. .
*ราคาอาจมีการเปลี่ยนแปลง. คู่มือพีซีได้รับการสนับสนุนผู้อ่าน. เมื่อคุณซื้อผ่านลิงก์บนเว็บไซต์ของเราเราอาจได้รับค่าคอมมิชชั่นพันธมิตร. เรียนรู้เพิ่มเติม
คุณต้องใช้การ์ดกราฟิกจากการแพร่กระจายที่เสถียรเพื่อให้ทำงานได้? หรือสามารถแทนที่อีกอันได้? .
?
ใช่สำหรับการแพร่กระจายที่มั่นคงในการทำงานอย่างราบรื่นโดยไม่มีปัญหาใด ๆ คุณต้องมี GPU บนพีซีของคุณ. . ยิ่งกว่านั้นตรวจสอบให้แน่ใจว่าคุณมี PC RAM 16 GB ในระบบ PC เพื่อหลีกเลี่ยงความไม่แน่นอนใด ๆ.
GPU จะดำเนินการแพร่กระจายอย่างเสถียรโดยไม่ต้องพบกับปัญหาเช่นความเร็วในการตอบสนองช้าลง. การบอกว่าการแพร่กระจายที่เสถียรนั้นทำงานได้ดีที่สุดในการ์ดกราฟิกจะไม่ผิด. เราขอแนะนำรุ่น NVIDIA RTX 4080 และ 4090 ที่มี 16 หรือ 24 GB VRAM เพื่อผลลัพธ์ที่ดีที่สุด. ชุดเหล่านี้เป็นชุดที่ทรงพลังอย่างจริงจังซึ่งจะรับประกันว่าคุณจะได้รับบริการที่รวดเร็ว.
เป็นไปได้ไหมที่จะเรียกใช้การแพร่กระจายที่มั่นคงบน AMD GPU?
ใช่คุณสามารถใช้การแพร่กระจายที่มั่นคงบน AMD GPUs ได้เช่นกันนอกเหนือจากรุ่น Nvidia Series. . นอกจากนี้เพื่อผลลัพธ์ที่ดีที่สุดตรวจสอบให้แน่ใจว่ามีอีก 8GB ขึ้นไปเพื่อหลีกเลี่ยงความไม่สะดวกใด ๆ.
คำถามที่พบบ่อย
การแพร่กระจายที่เสถียรในโปรเซสเซอร์ Apple Mac?
. . . แม้แต่รุ่น M1 และ M2 ที่เก่ากว่าก็จะดีถ้ามันตอบสนองความต้องการ.
การมี GPU เป็นข้อกำหนดที่จำเป็นในโลกเทคโนโลยีปัจจุบัน. . ดังนั้นสำหรับการแพร่กระจายที่เสถียรควรมี GPU. แม้ว่าจะมีสองสามวิธีในการเรียกใช้โดยไม่มี GPU แต่พวกเขาก็ไม่น่าเชื่อถือเท่าที่พวกเขาอาจดูเหมือน. .
. พวกเขาปรับปรุงการเล่นเกมและประสบการณ์ที่สร้างสรรค์เป็นสิบเท่า. หากคุณต้องการแนวคิดว่าจะไปที่ใดลองดูการ์ดกราฟิกที่ดีที่สุดของเราที่นี่.
. เครื่องมือเหล่านี้ส่วนใหญ่ขึ้นอยู่กับเซิร์ฟเวอร์ที่ซับซ้อนที่มีฮาร์ดแวร์จำนวนมากสำหรับการฝึกอบรม แต่การใช้เครือข่ายที่ผ่านการฝึกอบรมผ่านการอนุมานสามารถทำได้บนพีซีของคุณโดยใช้กราฟิกการ์ด. แต่ GPU ของผู้บริโภคจะเร็วแค่ไหนสำหรับการอนุมาน AI?
. ! . . แต่นั่นไม่ได้หมายความว่าคุณไม่สามารถแพร่กระจายได้อย่างเสถียรใน GPU อื่น ๆ.
. สำหรับ Nvidia เราเลือกใช้เวอร์ชัน WebUI ของ 1111 อัตโนมัติ มันทำงานได้ดีที่สุดมีตัวเลือกมากขึ้นและง่ายต่อการวิ่ง. .รุ่นฉลามของ AI – เราตรวจสอบประสิทธิภาพของ Nvidia GPUs (ทั้งในโหมด Vulkan และ Cuda) และพบว่ามันเป็น. . .
คำเตือนอยู่ในลำดับ. . เราค่อนข้างมั่นใจว่าการทดสอบ NVIDIA 30-Series ทำงานได้ดีในการสกัดใกล้เคียงกับประสิทธิภาพที่ดีที่สุดโดยเฉพาะอย่างยิ่งเมื่อเปิดใช้งาน Xformers ซึ่งให้ประสิทธิภาพเพิ่มอีกประมาณ 20% (แม้ว่าจะมีความแม่นยำลดลงซึ่งอาจส่งผลกระทบต่อคุณภาพ). ผลลัพธ์ RTX 40-Series ในตอนแรกลดลงในขั้นต้น แต่ George SV8ARJ ให้การแก้ไขนี้ซึ่งการแทนที่ Pytorch Cuda DLLS ให้การสนับสนุนที่ดีต่อสุขภาพ.
ผลลัพธ์ของ AMD นั้นเป็นถุงผสมเล็กน้อย: RDNA 3 GPU ทำงานได้ดีมากในขณะที่ rDNA 2 GPU ดูเหมือนค่อนข้างปานกลาง. พยักหน้า.. ในที่สุดใน Intel GPU แม้ว่าประสิทธิภาพสูงสุดดูเหมือนว่าจะเข้าแถวอย่างเหมาะสมกับตัวเลือก AMD ในทางปฏิบัติเวลาในการแสดงผลนานขึ้นอย่างมาก – ใช้เวลา 5-10 วินาทีก่อนที่งานสร้างจริงจะเริ่มขึ้นและอาจเป็นจำนวนมาก สิ่งพื้นหลังพิเศษกำลังเกิดขึ้นที่ทำให้ช้าลง.
. ..1 ในขณะที่อัตโนมัติ 1111 และ OpenVino ใช้ SD1..1 ในอัตโนมัติ 1111). .
. แกลเลอรี่ข้างต้นถูกสร้างขึ้นโดยใช้ WebUI ของ 1111 Automatic บน Nvidia GPUs โดยมีเอาต์พุตความละเอียดสูงกว่า (ซึ่งใช้เวลามาก, นานกว่าจะเสร็จสมบูรณ์). มันเป็นพรอมต์เดียวกัน แต่กำหนดเป้าหมาย 2048×1152 แทน 512×512 ที่เราใช้สำหรับเกณฑ์มาตรฐานของเรา. โปรดทราบว่าการตั้งค่าที่เราเลือกนั้นได้รับเลือกให้ทำงานในโครงการ SD ทั้งสามโครงการ ตัวเลือกบางอย่างที่สามารถปรับปรุงปริมาณงานมีให้เฉพาะในการสร้างของ 1111 อัตโนมัติ แต่เพิ่มเติมในภายหลัง. นี่คือการตั้งค่าที่เกี่ยวข้อง:
พรอมต์บวก:
Postapocalyptic Steampunk City, การสำรวจ, ภาพยนตร์, จริง, จริง, รายละเอียดมากเกินไป, รายละเอียดสูงสุดแสง, แสงปริมาตร, ((โฟกัส))), มุมกว้าง, ((สว่างไสว)), ((พืช)), ฟ้าผ่า , เถาวัลย์, การทำลายล้าง, การทำลายล้าง, wartorn, ซากปรักหักพัง
พรอมต์เชิงลบ:
(((เบลอ)), ((หมอก)), (((มืด))), ((ขาวดำ)), ดวงอาทิตย์, (((ความลึกของสนาม))))))))))))))))))))
คำแนะนำฟรีตัวจําแนก:
.
ตัวแปรออยเลอร์บางตัว (บรรพบุรุษในอัตโนมัติ 1111, Shark ออยเลอร์ไม่ต่อเนื่องใน AMD)
. Automatic 1111 มีตัวเลือกมากที่สุดในขณะที่ Intel Openvino Build ไม่ได้ให้ทางเลือกใด ๆ.
นี่คือผลลัพธ์จากการทดสอบของเราของ AMD RX 7000/6000-Series, Nvidia RTX 40/30-series และ Intel Arc A-Series GPU. โปรดทราบว่าแต่ละ Nvidia GPU มีสองผลลัพธ์หนึ่งรายการโดยใช้โมเดลการคำนวณเริ่มต้น (ช้าลงและเป็นสีดำ) และวินาทีโดยใช้ไลบรารี “Xformers” ที่เร็วขึ้นจาก Facebook (เร็วขึ้นและเป็นสีเขียว).
ตามที่คาดไว้ GPU ของ Nvidia ให้ประสิทธิภาพที่เหนือกว่า – บางครั้งโดยอัตรากำไรขั้นต้นใหญ่ – เมื่อเทียบกับทุกสิ่งจาก AMD หรือ Intel. ด้วยการแก้ไข DLL สำหรับคบเพลิงในสถานที่ RTX 4090 ให้ประสิทธิภาพมากกว่า RTX 3090 Ti 50% พร้อม Xformers และประสิทธิภาพที่ดีกว่า 43% โดยไม่มี XFormers. ใช้เวลาเพียงสามวินาทีในการสร้างภาพแต่ละภาพและแม้แต่ RTX 4070 TI ก็สามารถส่งเสียงดังผ่าน 3090 TI (แต่ไม่ใช่ถ้าคุณปิดการใช้งาน Xformers).
สิ่งต่าง ๆ ตกอยู่ในรูปแบบที่ค่อนข้างสอดคล้องกันจากการ์ดยอดนิยมสำหรับ Nvidia GPUs จาก 3090 จนถึง 3050. ในขณะเดียวกัน RX 7900 XTX ของ AMD เชื่อมโยง RTX 3090 TI (หลังจากการทดสอบเพิ่มเติม) ในขณะที่ RX 7900 XT เชื่อมโยง RTX 3080 TI. การ์ด 7900 ดูค่อนข้างดีในขณะที่การ์ด RTX 30-Series ทุกชิ้นจบลงด้วยการตีชิ้นส่วน RX 6000-Series ของ AMD (ตอนนี้). ในที่สุด Intel Arc GPU ก็เข้ามาเกือบจะผ่านไปโดยมีเพียง A770 เท่านั้นที่จัดการเพื่อแซงหน้า RX 6600. .
การเพิ่มประสิทธิภาพที่เหมาะสมสามารถเพิ่มประสิทธิภาพเป็นสองเท่าในการ์ด RX 6000-Series. พยักหน้า.. การพูดถึงพยักหน้า.AI เรายังทำการทดสอบบางอย่างของ Nvidia GPU โดยใช้โครงการนั้นและด้วยโมเดล Vulkan การ์ด NVIDIA นั้นช้ากว่าการสร้าง 1111 อัตโนมัติ (15.52 IT/S ใน 4090, 13.31 ใน 4080, 11.41 บน 3090 TI และ 10..
. บนกระดาษ 4090 มีประสิทธิภาพมากกว่าห้าเท่าของ RX 7900 XTX – และ 2.7 เท่าของการแสดงแม้ว่าเราจะลดความขาดแคลน. ในทางปฏิบัติ 4090 ตอนนี้เร็วกว่า XTX เพียงประมาณ 50% เท่านั้นที่ใช้เวอร์ชันที่เราใช้. ตรรกะเดียวกันนั้นใช้กับการ์ดอาร์คของ Intel.
ปัจจุบัน ARC GPU ของ Intel ให้ผลลัพธ์ที่น่าผิดหวังมากโดยเฉพาะอย่างยิ่งเนื่องจากพวกเขาสนับสนุนการดำเนินการ FP16 XMX (Matrix) ที่ควรส่งมอบปริมาณงานสูงสุด 4x เป็นการคำนวณ FP32 ปกติ. เราสงสัยว่าโครงการ OpenVino การแพร่กระจายที่มั่นคงในปัจจุบันที่เราใช้ยังมีพื้นที่มากมายสำหรับการปรับปรุง. .ไฟล์ py ‘เปลี่ยน “CPU” เป็น “GPU” – มิฉะนั้นจะไม่ใช้การ์ดกราฟิกสำหรับการคำนวณและใช้เวลานานขึ้นอย่างมาก.
โดยรวมแล้วการใช้เวอร์ชันที่ระบุการ์ด RTX 40-Series ของ NVIDIA เป็นตัวเลือกที่เร็วที่สุดตามด้วยการ์ด 7900 และจากนั้น RTX 30-Series GPUs. RX 6000-series มีประสิทธิภาพต่ำกว่าและ ARC GPU โดยทั่วไปดูแย่. .
นอกจากนี้เรายังทำการทดสอบบางอย่างเกี่ยวกับ GPU แบบดั้งเดิมโดยเฉพาะสถาปัตยกรรมทัวริงของ Nvidia (RTX 20- และ GTX 16-Series) และ RX 5000-Series ของ AMD. RX 5600 XT ล้มเหลวดังนั้นเราจึงออกจากการทดสอบที่ RX 5700 และ GTX 1660 Super นั้นช้าพอที่เราจะรู้สึกไม่จำเป็นต้องทำการทดสอบชิ้นส่วนชั้นล่างเพิ่มเติมใด ๆ. แต่ผลลัพธ์ที่นี่ค่อนข้างน่าสนใจ.
. โดยปกติแล้วจะไม่เกิดขึ้นและในเกมแม้แต่วานิลลา 3070 ก็มีแนวโน้มที่จะเอาชนะแชมป์เก่า. .
. คอร์เทนเซอร์ 2080 Ti ไม่รองรับ Sparsity และมีการคำนวณ FP16 มากถึง 108 TFLOPS. RTX 3070 TI รองรับ Sparsity ด้วย 174 TFLOPS ของ FP16 หรือ 87 TFLOPS FP16 โดยไม่มี sparsity. ความจริงที่ว่า 2080 Ti ชนะ 3070 TI แสดงให้เห็นอย่างชัดเจนว่า Sparsity ไม่ใช่ปัจจัย. .
สำหรับการ์ด RDNA ของ AMD, RX 5700 XT และ 5700 มีช่องว่างที่กว้าง. . บนกระดาษการ์ด XT ควรเร็วขึ้นถึง 22%. อย่างไรก็ตามในการทดสอบของเรานั้นเร็วกว่า 37%. ไม่ว่าจะด้วยวิธีใด Navi 10 GPU ที่มีอายุมากกว่านั้นมีประสิทธิภาพโดยเฉพาะอย่างยิ่งในเกณฑ์มาตรฐานการแพร่กระจายที่มั่นคงของเรา.
ในที่สุด GTX 1660 Super บนกระดาษควรมีประสิทธิภาพประมาณ 1/5 ประสิทธิภาพทางทฤษฎีของ RTX 2060 โดยใช้แกนเทนเซอร์ในช่วงหลัง. หากเราใช้ประสิทธิภาพของ Shader กับ FP16 (ทัวริงมีปริมาณงานเพิ่มขึ้นเป็นสองเท่าของรหัส FP16 shader) ช่องว่างจะแคบลงเพียงแค่การขาดดุล 22%. แต่ในการทดสอบของเรา GTX 1660 Super เป็นเพียงประมาณ 1/10 ความเร็วของ RTX 2060.
. . ดังนั้นเราจึงคิดว่ามันน่าสนใจที่จะดูประสิทธิภาพทางทฤษฎีสูงสุด (TFLOPs) จาก GPU ต่างๆ. แผนภูมิต่อไปนี้แสดงประสิทธิภาพ FP16 เชิงทฤษฎีสำหรับแต่ละ GPU (ดูกราฟิกการ์ดล่าสุดเท่านั้น) โดยใช้แกนเทนเซอร์/เมทริกซ์. ผลลัพธ์ของ Nvidia ยังรวมถึงความขาดแคลน – โดยทั่วไปความสามารถในการข้ามการคูณโดย 0 สำหรับเซลล์สูงสุดครึ่งหนึ่งในเมทริกซ์ซึ่งคาดว่าจะเกิดขึ้นบ่อยครั้งกับปริมาณการเรียนรู้ที่ลึกล้ำ.
. ตัวอย่างเช่นบนกระดาษ RTX 4090 (โดยใช้ FP16) เร็วกว่า RTX 3090 TI สูงถึง 106% ในขณะที่การทดสอบของเราเร็วขึ้น 43% โดยไม่มี XFormers และเร็วกว่า 50%. โปรดทราบว่าเรากำลังสมมติว่าโครงการการแพร่กระจายที่เสถียรที่เราใช้ (อัตโนมัติ 1111) ไม่ได้ใช้ประโยชน์จากคำแนะนำ FP8 ใหม่เกี่ยวกับ ADA Lovelace GPU ซึ่งอาจเพิ่มประสิทธิภาพของ RTX 40-Series อีกครั้งอีกครั้ง.
ในขณะเดียวกันดูที่ ARC GPU. คอร์เมทริกซ์ของพวกเขาควรให้ประสิทธิภาพที่คล้ายกับ RTX 3060 TI และ RX 7900 XTX ให้หรือใช้กับ A380 ลงรอบ RX 6800. ในทางปฏิบัติ ARC GPU ไม่มีที่ไหนใกล้เครื่องหมายเหล่านั้น. A770 GPU ที่เร็วที่สุดระหว่าง RX 6600 และ RX 6600 XT, A750 ตกอยู่ด้านหลัง RX 6600 และ A380 นั้นอยู่ที่ประมาณหนึ่งในสี่ความเร็วของ A750. ดังนั้นพวกเขาทั้งหมดประมาณหนึ่งในสี่ของประสิทธิภาพที่คาดหวังซึ่งจะสมเหตุสมผลถ้าแกน XMX ไม่ได้ใช้งาน.
อัตราส่วนภายในของ ARC นั้นดูถูกต้อง. ประสิทธิภาพการคำนวณเชิงทฤษฎีบน A380 นั้นประมาณหนึ่งในสี่ของ A750 และนั่นคือจุดที่มันลงจอดในแง่ของประสิทธิภาพการแพร่กระจายที่มั่นคงในขณะนี้. เป็นไปได้มากว่า ARC GPU กำลังใช้ shaders สำหรับการคำนวณในโหมด FP32 ที่แม่นยำเต็มรูปแบบและพลาดการเพิ่มประสิทธิภาพเพิ่มเติมบางอย่าง.
อีกสิ่งหนึ่งที่ควรสังเกตคือการคำนวณเชิงทฤษฎีเกี่ยวกับ RX 7900 XTX/XT ของ AMD ดีขึ้นมากเมื่อเทียบกับ RX 6000-Series. เราจะต้องดูว่ารุ่น 6,000 ซีรีส์ที่ปรับแต่งจะปิดช่องว่างหรือไม่.AI กล่าวว่าคาดว่าจะมีการปรับปรุงประสิทธิภาพ 2 เท่าของ RDNA 2. แบนด์วิดท์หน่วยความจำไม่ใช่ปัจจัยสำคัญอย่างน้อยสำหรับความละเอียดเป้าหมาย 512×512 ที่เราใช้ – รุ่น 3080 10GB และ 12GB นั้นค่อนข้างใกล้เคียงกัน.
. สถาปัตยกรรม AMPERE และ ADA ของ NVIDIA ทำงาน FP16 ด้วยความเร็วเดียวกับ FP32 เนื่องจากสมมติฐานคือ FP16 สามารถเข้ารหัสเพื่อใช้แกนเทนเซอร์. AMD และ Intel GPU ในทางตรงกันข้ามมีประสิทธิภาพสองเท่าในการคำนวณ FP16 Shader เมื่อเทียบกับ FP32.
. มีอะไรพิเศษ. ซึ่งนำเราไปสู่แผนภูมิสุดท้าย.
. เราไม่ได้ทดสอบ AMD GPU ใหม่เนื่องจากเราต้องใช้ Linux บนการ์ด AMD RX 6000-Series และเห็นได้ชัดว่า RX 7000-Series ต้องการเคอร์เนล Linux รุ่นใหม่และเราไม่สามารถทำงานได้. .
. 4080 ยังชนะ 3090 TI 55%/18% โดยมี/ไม่มี xformers. 4070 TI ที่น่าสนใจช้ากว่า 22% กว่า 3090 TI โดยไม่มี xformers แต่เร็วขึ้น 20% กับ xformers.
ดูเหมือนว่าความละเอียดเป้าหมายที่ซับซ้อนมากขึ้นของ 2048×1152 เริ่มใช้ประโยชน์จากทรัพยากรการคำนวณที่อาจเกิดขึ้นได้ดีขึ้นและบางทีเวลาที่ใช้งานได้นานขึ้นหมายถึงแกนเทนเซอร์สามารถยืดกล้ามเนื้อได้อย่างเต็มที่.
ในที่สุดนี่คือภาพรวมที่ดีที่สุดในช่วงเวลาที่มีประสิทธิภาพการแพร่กระจายที่มั่นคง. เราเห็นการอัปเดตโครงการบ่อยครั้งสนับสนุนห้องสมุดการฝึกอบรมที่แตกต่างกันและอื่น ๆ. เราจะเห็นเกี่ยวกับการทบทวนหัวข้อนี้มากขึ้นในปีที่จะถึงนี้หวังว่าจะมีรหัสที่ดีที่สุดที่ดีที่สุดสำหรับ GPUs ต่างๆ.
อยู่บนขอบตัด
เข้าร่วมกับผู้เชี่ยวชาญที่อ่านฮาร์ดแวร์ของทอมสำหรับการติดตามภายในเกี่ยวกับข่าวเทคโนโลยีพีซีที่กระตือรือร้น – และมีมานานกว่า 25 ปี. .
โดยการส่งข้อมูลของคุณคุณยอมรับข้อกำหนดและเงื่อนไขและนโยบายความเป็นส่วนตัวและมีอายุ 16 ปีขึ้นไป.
Jarred Walton เป็นบรรณาธิการอาวุโสของ Hardware ของ Tom โดยมุ่งเน้นไปที่ทุกสิ่ง GPU. เขาทำงานเป็นนักข่าวเทคโนโลยีมาตั้งแต่ปี 2547 เขียนให้กับ Anandtech, PC PC และ PC Gamer. .