nvidia Compute Capability（GPU）


GPU
Compute Capability

NVIDIA TITAN X
6.1

GeForce GTX 1080
6.1

GeForce GTX 1070
6.1

GeForce GTX 1060
6.1

Tegra X1
5.3

Tesla M40
5.2

Quadro M6000 24GB
5.2

Quadro M6000
5.2

Quadro M5000
5.2

Quadro M4000
5.2

Quadro M2000
5.2

GeForce GTX TITAN X
5.2

GeForce GTX 980 Ti
5.2

GeForce GTX 980
5.2

GeForce GTX 970
5.2

GeForce GTX 960
5.2

GeForce GTX 950
5.2

GeForce GTX 980
5.2

GeForce GTX 980M
5.2

GeForce GTX 970M
5.2

GeForce GTX 965M
5.2

GeForce 910M
5.2

Quadro K2200
5

Quadro K1200
5

Quadro K620
5

Quadro M5500M
5

Quadro M5000M
5

Quadro M4000M
5

Quadro M3000M
5

Quadro K2200M
5

Quadro M2000M
5

Quadro M1000M
5

Quadro K620M
5

Quadro M600M
5

Quadro M500M
5

NVIDIA NVS 810
5

GeForce GTX 750 Ti
5

GeForce GTX 750
5

GeForce GTX 960M
5

GeForce GTX 950M
5

GeForce 940M
5

GeForce 930M
5

GeForce GTX 850M
5

GeForce 840M
5

GeForce 830M
5

Tesla K80
3.7

Tesla K80
3.7

Tesla K40
3.5

Tesla K20
3.5

Tesla K40
3.5

Tesla K20
3.5

Quadro K6000
3.5

Quadro K5200
3.5

Quadro K610M
3.5

Quadro K510M
3.5

GeForce GTX TITAN Z
3.5

GeForce GTX TITAN Black
3.5

GeForce GTX TITAN
3.5

GeForce GTX 780 Ti
3.5

GeForce GTX 780
3.5

GeForce GT 730
3.5

GeForce GT 720
3.5

GeForce GT 705*
3.5

GeForce GT 640 (GDDR5)
3.5

GeForce 920M
3.5

Tegra K1
3.2

Jetson TK1
3.2

Tesla K10
3

Quadro K5000
3

Quadro K4200
3

Quadro K4000
3

Quadro K2000
3

Quadro K2000D
3

Quadro K600
3

Quadro K420
3

Quadro 410
3

Quadro K6000M
3

Quadro K5200M
3

Quadro K5100M
3

Quadro K500M
3

Quadro K4200M
3

Quadro K4100M
3

Quadro K3100M
3

Quadro K2100M
3

Quadro K1100M
3

NVIDIA NVS 510
3

GeForce GTX 770
3

GeForce GTX 760
3

GeForce GTX 690
3

GeForce GTX 680
3

GeForce GTX 670
3

GeForce GTX 660 Ti
3

GeForce GTX 660
3

GeForce GTX 650 Ti BOOST
3

GeForce GTX 650 Ti
3

GeForce GTX 650
3

GeForce GT 740
3

GeForce GTX 880M
3

GeForce GTX 870M
3

GeForce GTX 780M
3

GeForce GTX 770M
3

GeForce GTX 765M
3

GeForce GTX 760M
3

GeForce GTX 680MX
3

GeForce GTX 680M
3

GeForce GTX 675MX
3

GeForce GTX 670MX
3

GeForce GTX 660M
3

GeForce GT 750M
3

GeForce GT 650M
3

GeForce GT 745M
3

GeForce GT 645M
3

GeForce GT 740M
3

GeForce GT 730M
3

GeForce GT 640M
3

GeForce GT 640M LE
3

GeForce GT 735M
3

GeForce GT 730M
3

NVIDIA NVS 315
2.1

NVIDIA NVS 310
2.1

NVS 5400M
2.1

NVS 5200M
2.1

NVS 4200M
2.1

GeForce GTX 560 Ti
2.1

GeForce GTX 550 Ti
2.1

GeForce GTX 460
2.1

GeForce GTS 450
2.1

GeForce GTS 450*
2.1

GeForce GT 730 DDR3,128bit
2.1

GeForce GT 640 (GDDR3)
2.1

GeForce GT 630
2.1

GeForce GT 620
2.1

GeForce GT 610
2.1

GeForce GT 520
2.1

GeForce GT 440
2.1

GeForce GT 440*
2.1

GeForce GT 430
2.1

GeForce GT 430*
2.1

GeForce 820M
2.1

GeForce 800M
2.1

GeForce GTX 675M
2.1

GeForce GTX 670M
2.1

GeForce GT 635M
2.1

GeForce GT 630M
2.1

GeForce GT 625M
2.1

GeForce GT 720M
2.1

GeForce GT 620M
2.1

GeForce 710M
2.1

GeForce 705M
2.1

GeForce 610M
2.1

GeForce GTX 580M
2.1

GeForce GTX 570M
2.1

GeForce GTX 560M
2.1

GeForce GT 555M
2.1

GeForce GT 550M
2.1

GeForce GT 540M
2.1

GeForce GT 525M
2.1

GeForce GT 520MX
2.1

GeForce GT 520M
2.1

GeForce GTX 485M
2.1

GeForce GTX 470M
2.1

GeForce GTX 460M
2.1

GeForce GT 445M
2.1

GeForce GT 435M
2.1

GeForce GT 420M
2.1

GeForce GT 415M
2.1

GeForce 710M
2.1

GeForce 410M
2.1

Tesla C2075
2

Tesla C2050/C2070
2

Tesla M20xx
2

Quadro Plex 7000
2

GeForce GTX 590
2

GeForce GTX 580
2

GeForce GTX 570
2

GeForce GTX 480
2

GeForce GTX 470
2

GeForce GTX 465
2

GeForce GTX 480M
2
时间： 2024-11-05 03:19:47

nvidia Compute Capability（GPU）的相关文章

Win10 TensorFlow（gpu）安装详解

Win10 TensorFlow(gpu)安装详解 写在前面:TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,其命名来源于本身的运行原理.Tensor(张量)意味着N维数组,Flow(流)意味着基于数据流图的计算,TensorFlow为张量从图象的一端流动到另一端计算过程.TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统.从去年十一月开源至今一年多一点的时间里,该项目已经收获了40000+的star和18000+的fork,

VS2013+win7配置caffe（GPU）

Caffe配置 步骤1:下载:cuda_8.0.44_windows.exe(https://developer.nvidia.com/cuda-toolkit-archive).cudnn-8.0-windows7-x64-v5.0-ga.zip.微软的caffe(https://github.com/Microsoft/caffe).根据电脑配置以及个人喜好下载相应的版本,本人GTX660显卡,下载cuda 8.0版本和cudnn v5.0版本,如果要编译matcaffe和pycaffe,必

Widows下Faster R-CNN的MATALB配置（GPU）

目录 1. 准备工作 2. VS2013编译Caffe 3. Faster R-CNN的MATLAB源码测试 说在前面,这篇是关于Windows下Faster R-CNN的MATLAB配置,GPU版本:CPU版本见:Widows下Faster R-CNN的MATALB配置(CPU): 相比较来说,CPU版本相对容易一些,因为涉及到GPU的计算,还需要配置CUDA以及CuDNN: 下面将分成三个部分进行介绍: 准备工作:下载caffe.faster rcnn源码.安装cuda.cudnn: VS2

Hello TensorFlow 二 （GPU）

官方说明:https://www.tensorflow.org/install/ 环境: 操作系统 :Windows 10 家庭中文版 处理器 : Intel(R) Core(TM) i7-7700 CPU @3.6GHZ 3.60GHZ 内存 :16GB 显卡:NVIDIA GeForce GTX 1060 6GB Python:3.6.2 安装GPU版 pip3 install --upgrade tensorflow-gpu 安装 NVIDIA CUDA? Toolkit 8.0. 下载地

CUDA C 编程指导（二）：CUDA编程模型详解

CUDA编程模型详解 本文以vectorAdd为例,通过描述C在CUDA中的使用(vectorAdd这个例子可以在CUDA sample中找到.)来介绍CUDA编程模型的主要概念.CUDA C的进一步描述可以参考<Programming Interface>. 主要内容包括: 1.Kernels(核函数) 2.Thread Hierarchy(线程结构) 3.Memory Hierarchy(存储结构) 4.Heterogeneous Programming(异构编程) 5.Compute C

Matlab+GPU加速学习笔记（二）

---恢复内容开始--- 首先介绍几个今天刚学的几个函数: 1.linspace.产生指定范围内的指定数量点数,相邻数据跨度相同,并返回一个行向量.其在CPU和GPU中的调用形式 X=linspace(5,100,20) % 产生从5到100范围内的20个数据,相邻数据跨度相同 X=gpuArray.linspace(5,100,20) % 产生从5到100范围内的20个数据,相邻数据跨度相同 输出: X = 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75

并行计算之基础概念（转）

原文地址:http://www.cnblogs.com/kuliuheng/p/4058858.html 并行计算(Parallel Computing)是指同时使用多种计算资源解决计算问题的过程,是提高计算机系统计算速度和处理能力的一种有效手段.它的基本思想是用多个处理器来协同求解同一问题,即将被求解的问题分解成若干个部分,各部分均由一个独立的处理机来并行计算.并行计算系统既可以是专门设计的.含有多个处理器的超级计算机,也可以是以某种方式互连的若干台的独立计算机构成的集群.通过并行计算集群完成

C++ AMP 介绍（二）

C++ AMP 介绍(二) 最后更新日期:2014-05-02 阅读前提:<C++ AMP介绍(一)> 环境:Windows 8.1 64bit英文版,Visual Studio 2013 Update1英文版,Nvidia QuadroK600 显卡 内容简介 介绍C++ AMP的 array.array_view.extent类和平铺的知识. 正文 数据的移动 array和 array_view两个数据容器(模板类)用于把数据从运行时库(CPU)移到加速器(显卡或通用计算卡)上,array

Shader编程学习笔记（一）—— 图形硬件简史与可编程管线

图形处理器(GPU)简史 GPU发展简史 GPU英文全称Graphic Processing Unit,中文翻译为“图形处理器”,在现代计算机系统中的作用变得越来越重要. 20世纪六.七十年代,受硬件条件的限制,图形显示器只是计算机输出的一种工具.限于硬件发展水平,人们只是纯粹从软件实现的角度来考虑图形用户界面的规范问题.此时还没有GPU的概念. GPU概念在20世纪70年代末和80年代初被提出,使用单片集成电路(monolithic)作为图形芯片,此时的GPU被用于视频游戏和动画方面,它能够很