51CTO旗下网站
数据平台上的计算能力：哪些GPU更适合深度学习和数据库？
GPU和AI越来越火，引起了大批投资者和开发者的注意。百度前首席科学家Andrew Ng提到，AI的春天已经到来，其重要因素之一是GPU处理能力，能让神经网络的智能可以随数据增加而提升，突破了过去的AI所能达到的平台。
作者：杨D来源：| 11:47
之后，又增加了一种专门用于机器学习和神经网络的高性能武器。
数据分析和GPU
GPU不仅能实现数据库的许多功能，而且其强大的计算能力，能实现实时分析。MapD和Kinetica是这方面比较有名的两家公司。MapD用NVIDIA Tesla K40/K80实现了基于SQL和列式存储的数据库，无需索引，擅长任意多组合的条件查询（Where）、聚合（Groupby）等，实现传统关系型数据库的BI功能，方便用户自由地进行多条件查询。性能优势也很明显（尤其是响应时间）。
比如，MapD将年全美国进出港航班的数据扩大10倍后，执行全表扫描的报表任务，如&SELECT...GROUP BY...&。一台带有8张Tesla K40显卡的服务器（8核/384G RAM/SSD）比3台服务器（32核/244G RAM/SSD）组成的内存数据库集群快50-100倍。
GPU数据库的另一大特色是可视化渲染和绘制。将OpenGL等的缓冲区直接映射成GPU CUDA里的显存空间，原地渲染，无需将结果从内存拷到GPU，可以实现高帧频的动画。也可以原地绘制成PNG或视频stream，再发给客户端，大大减少网络传输的数据量。这些优势吸引了很多开发者。
在实时分析上比较有名的一家公司是Kinetica。他们开始时为美国情报机构实时分析250个数据流。现在能用10个节点，基于20万个传感器，为美国邮政服务（USPS）提供15000个并行的实时分析、物流路由计算和调度等。
我国用GPU进行分析和挖掘的用户也越来越多，想深入学习的朋友也不少。最快速的入门办法是重复前人的实验。弗吉尼亚大学的Accelerating SQL Database Operations on a GPU with CUDA里的开发环境和实验，值得借鉴。他们用一张4G显存的NVIDIA Tesla C1060,在一台低配的服务器上（Xeon XGHz/4核），5G RAM），用5百万行的表做查询和汇总，响应时间30-60毫秒。
我们测过的最低配置是NVidia GTX 780，一千多块，适合用来尝试查询和聚合。先用SQLite将SQL解析成多个OpCode步骤,然后在CUDA上实现一个虚机，来逐一实现每个步骤，直至将整个表逐行遍历完。其中一些步骤可以并行，因此可用CUDA起几万个线程，每个线程处理一行。
深度学习和GPU
深度需要较高的计算能力，所以对GPU的选择会极大地影响使用者体验。在GPU出现之前，一个实验可能需要等几个月，或者跑了一天才发现某个试验的参数不好。好的GPU可以在深度学习网络上快速迭代，几天跑完几个月的试验，或者几小时代替几天，几分钟代替几小时。
快速的GPU可以帮助刚开始学习的朋友快速地积累实践经验，并用深度学习解决实际问题。如果不能快速得到结果，不能快速地从失误中汲取教训，学起来会比较让人灰心。Tim Dettmers利用GPU，在一系列Kaggle比赛里应用了deep learning，并在Partly Sunny with a chance of Hashtags比赛中获了亚军。他用了两个较大的两层深度神经网络，采用了ReLU激活函数，用Dropout来实现正则化。这个网络勉强能加载到6GB的GPU显存里。
是否需要多个GPU？
Tim曾用40Gbit/s的InfiniBand搭建了一个小GPU集群，但他发现很难在多个GPU上实现并行的神经网络，而且在密集的神经网络上，速度提升也不明显。小网络可以通过数据并行更有效地并行，但对比赛里所用的这个大网络，几乎没有提速。
后来又开发了一个8-bit压缩方法，按理说，能比32-bit更有效地并行处理密集或全互联的网络层。但是结果也不理想。即使对并行算法进行优化，自己专门写代码在多颗GPU上并行执行，效果和付出的努力相比仍然得不偿失。要非常了解深度学习算法和硬件之间具体如何互动，才能判断是否能从并行里真的得到好处。
对GPU的并行支持越来越常见，但还远未普及，效果也未必很好。仅有CNTK这一种深度学习库通过Microsoft特殊的1-bit量化并行算法（效率较高）和块动量算法（效率很高），能在多个GPU和多台计算机上高效地执行算法。
在96颗GPU的集群上用CNTK，可以获得90-95倍的速度提升。下一个能高效地多机并行的库可能是Pytorch，但还没完全做好。如果想在单机上并行，可以用CNTK，Torch或Pytorch。速度可提升3.6-3.8倍。这些库包含了一些算法，能在4颗GPU的单机上并行执行。其他支持并行的库，要么慢，要么这两个问题都有。
多GPU，非并行
用多个GPU的另一个好处是，即使不并行执行算法，也可以在每个GPU上分别运行多个算法或实验。虽然不能提速，但可以一次性了解多个算法或参数的性能。当科研人员需要尽快地积累深度学习经验，尝试一个算法的不同版本时，这很有用。
这对深度学习的过程也很有好处。任务执行得越快，越能更快地得到反馈，脑子就从这些记忆片段里总结出完整的结论。在不同的GPU上用小数据集训练两个卷积网络，可以更快地摸索到如何能执行得更好。也能更顺地找到交叉验证误差（Cross validation error）的规律，并正确地解读它们。还能发现某种规律，来找到需要增加、移除或调整的参数或层。
总的来说，单GPU几乎对所有的任务都够了，不过用多个GPU来加速深度学习模型变得越来越重要。多颗便宜的GPU也能用来更快地学习深度学习。因此，建议用多个小GPU，而不是一个大的。
NVIDIA GPU，AMD GPU还是Intel Xeon Phi
用NVIDIA的标准库很容易搭建起CUDA的深度学习库，而AMD的OpenCL的标准库没这么强大。而且CUDA的GPU计算或通用GPU社区很大，而OpenCL的社区较小。从CUDA社区找到好的开源办法和可靠的编程建议更方便。
而且，NVIDIA从深度学习的起步时就开始投入，回报颇丰。虽然别的公司现在也对深度学习投入资金和精力，但起步较晚，落后较多。如果在深度学习上采用NVIDIA-CUDA之外的其他软硬件，会走弯路。
据称，Intel的Xeon Phi上支持标准C代码，而且要在Xeon Phi上加速，也很容易修改这些代码。这个功能听起来有意思。但实际上只支持很少一部分C代码，并不实用。即使支持，执行起来也很慢。Tim曾用过500颗Xeon Phi的集群，遇到一个接一个的坑，比如Xeon Phi MKL和Python Numpy不兼容，所以没法做单元测试。因为Intel Xeon Phi编译器无法正确地对模板进行代码精简，比如对switch语句，很大一部分代码需要重构。因为Xeon Phi编译器不支持一些C++11功能，所以要修改程序的C接口。既麻烦，又花时间，让人抓狂。
执行也很慢。当tensor大小连续变化时，不知道是bug，还是线程调度影响了性能。举个例子，如果全连接层（FC）或剔除层（Dropout）的大小不一样，Xeon Phi比CPU慢。
预算内的最快GPU
用于深度学习的GPU的高速取决于什么？是CUDA核？时钟速度？还是RAM大小？这些都不是。影响深度学习性能的最重要的因素是显存带宽。
GPU的显存带宽经过优化，而牺牲了访问时间（延迟）。CPU恰恰相反，所用内存较小的计算速度快，比如几个数的乘法（3*6*9）；所用内存较大的计算慢，比如矩阵乘法（A*B*C）。GPU凭借其显存带宽，擅长解决需要大内存的问题。当然，GPU和CPU之间还有更复杂的区别，可以参见Tim在Quora上的回答。
所以，购买快速GPU的时候，先看看带宽。
对比CPU和GPU的带宽发展
芯片架构相同时，带宽可以直接对比。比如，Pascal显卡GTX 的性能对比，只需看显存带宽。GTX GB/s）比GTX GB/s）快25%。不过如果芯片架构不同，不能直接对比。比如Pascal和Maxwell（GTX 1080和Titan X），不同的生产工艺对同样带宽的使用不一样。不过带宽还是可以大概体现GPU有多快。另外，需要看其架构是否兼容cnDNN。绝大多数深度学习库要用cuDNN来做卷积，因此要用Kepler或更好的GPU，即GTX 600系列或以上。一般来说，Kepler比较慢，所以从性能角度，应考虑900或1000系列。为了比较不同显卡在深度学习任务上的性能，Tim做了个图。比如GTX 980和0.35个Titan X Pascal一样快，或者说Titan X Pascal比GTX快了差不多3倍。
这些结果并不来自于每张卡的深度学习benchmark测试，而是从显卡参数和计算型benchmark(在计算方面，一些加密货币挖掘任务和深度学习差不多）。所以这只是粗略估计。真实数字会有些不同，不过差距不大，显卡排名应该是对的。同时，采用没有用足GPU的小网络会让大GPU看上去不够好。比如128个隐藏单元的LSTM（批处理&64）在GTX 1080 Ti上跑的速度不比GTX 1070快多少。要得到性能区别，需要用1024个隐藏单元的LSTM（批处理&64）。
GPU跑大型深度学习网络的性能比较
一般来说，Tim建议用GTX 1080 Ti或GTX 1070。这两者都不错。如果预算够的话，可以用GTX 1080 Ti。GTX 1070便宜一点，比普通GTX Titan X（Maxwell）更快。两者都比GTX 980 Ti更适合，因为显存更大&&11GB和8GB，而不是6GB。
8GB有点小，但对很多任务都足够了，比如足够应付Kaggle比赛里大多数图像数据集合自然语言理解（NLP）的任务。
刚开始接触深度学习时，GTX 1060是最好的选择，也可以偶尔用于Kaggle比赛。3GB太少，6GB有时不太够，不过能应付很多应用了。GTX 1060比普通Titan X慢，但性能和二手价格都和GTX 980差不多。
从性价比来看，10系列设计很好。GTX 和1080 Ti更好。GTX 1060适合初学者,GTX 1070的用途多，适合初创公司和某些科研和工业应用，GTX 1080 Ti是不折不扣的全能高端产品。
Tim不太建议NVIDIA Titan X（Pascal），因为性价比不太好。它更适合计算机视觉的大数据集，或视频数据的科研。显存大小对这些领域的影响非常大，而Titan X比GTX 1080 Ti大1GB，因此更适合。不过，从eBay上买GTX Titan X（Maxwell）更划算&&慢一点，但12GB的显存够大。
GTX 1080Ti对大多数科研人员够用了。额外多1GB的显存对很多科研和应用的用处不大。
在科研上，Tim个人会选多张GTX 1070.他宁可多做几次实验，稍微慢一点，而不是跑一次实验，快一点。NLP对显存的要求不像计算机视觉那么紧，因此GTX 1070足够了。他现在处理的任务和方式决定了最合适的选择&&GTX 1070。
选择GPU时可以用类似的思路。先想清楚所执行的任务和实验方法，再找满足要求的GPU。现在AWS上的GPU实例比较贵且慢。GTX 970比较慢，而且二手的也比较贵而且启动时显卡有内存问题。可以多花点钱买GTX 1060，速度更快，显存更大，而且没有显存问题。如果GTX 1060太贵，可以用4G显存的GTX 1050 Ti。4GB有点小，但也深度学习的起步也够了。如果在某些型号上做调整，可以得到较好性能。GTX 1050 Ti适合于大多数Kaggle比赛，不过可能在一些比赛里发挥不出选手优势。
【编辑推荐】
【责任编辑： TEL：（010）】
大家都在看猜你喜欢
关注热点头条头条头条
24H热文一周话题本月最赞
讲师：747358人学习过
讲师：26339人学习过
讲师：353114人学习过
CTO专属活动
精选博文论坛热帖下载排行
本书全面翔实地介绍了各种病毒的原理，以操作系统的发展为主线，结合病毒的发展过程来综合分析病毒。在分析工具上，较多地利用了脚本语言、...
订阅51CTO邮刊gpu和显卡的区别在哪里?
输入手机号码，报价结果将发送到您手机
装修顾问-馨馨
4年行业经验，24h可咨询
10秒闪电通过好友
报价短信已发送到您的手机
因材料品牌及工程量不同，具体报价以量房实测为准
稍候装修管家将回电您，免费提供装修咨询服务
您的装修预算约
*装修管家将回电您，免费提供装修咨询服务
*装修管家将回电您，免费提供装修咨询服务
*因材料品牌及工程量不同，具体报价以量房实测为准
装修顾问 -馨馨
（四年装修行业经验）
微信扫一扫
3.&您家小区名称 :&&
请选择您家的装修时间
gpu和显卡的区别在哪里?
提问者：余梅雪| 地点：
| 浏览次数：
1121| 时间：
我来帮他解答
还可以输入1500字
已有3条回答
回答数：45322
| 被采纳数：25
GPU是图形处理器，只是一块芯片，它需要加上其他辅助作用的芯片，以及供电电路，散热系统，输入输出接口等部分才是显卡。 就相当于CPU需要搭配其他硬件才叫电脑。 我们平常说的GTX690或者HD7970之类的就是GPU的型号，每个型号的GPU又会被不同厂家做成很多款显卡。
回答数：11024
| 被采纳数：4
显卡是独立显卡和集成显卡并称的名字。
独立显卡是不需要其他硬件加速就能获得高性能，高质量的画质处理效果。
集成显卡是集成在主板上的一块芯片，可以获得高质量，但是处理性能不佳。
GPU是每个显卡都有的，包括集显在内。GPU是显示处理芯片，但是intel的叫GMA，是图像加速器。
回答数：7704
| 被采纳数：1
gpu和显卡的区别：
GPU即Graphic Processing Unit，图像处理器，是整个显卡的核心。显卡是由GPU、显存等等组成的。
大部分情况下，我们所说GPU就等于指显卡，但是实际情况是GPU是显卡的一个核心组成部分。
希望能帮到你，望采纳。GPU与CPU的比较分析_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
GPU与CPU的比较分析
阅读已结束，下载本文需要
想免费下载更多文档？
定制HR最喜欢的简历
你可能喜欢当前位置：
关于GPU你必须知道的基本知识
GPU基本知识大全
GPU大家了解吗？GPU大家知道是什么吗？其实它是电脑系统里面的图形处理单元（或简称GPU）会负责处理从PC内部传送到所连接显示器的所有内容，无论你在玩游戏、编辑视频或只是盯着桌面的壁纸，所有显示器中显示的图像都是由GPU进行渲染的。本文将向大家介绍什么是GPU、它是如何工作的、GPU基本知识大全，以及为什么要为游戏和图像密集型应用程序配置专用显卡。小编推荐软件下载：：GPU-Z是一款GPU识别工具，绿色免安装，界面直观，运行后即可显示GPU核心，以及运行频率、带宽等，GPU-Z绿色中文版，使用起来更方便。GPU-Z通吃A卡和N卡，对于交火及混合交火也能很好的识别。：GPU Caps Viewer是一款显卡诊断识别工具，能检测当前市面上所有显卡的规格参数，GPU Caps Viewer除了对显卡的基本规格能够完全正确识别外，还专门提供一个有关显卡OPENGL能力检测测试的界面，用户可以在此对他们显卡的OPENGL能力有一个比较全面的了解 。对普通用户来说，实际上不需要独立显卡就可以向显示器「提供」内容。像笔记本电脑或平板用户，通常CPU芯片都会集成GPU内核，也就是大家熟称的「核显」，这样就可以为对显示要求不高的低功耗设备提供更好的性价比。正因如此，部分笔记本电脑、平板电脑和某些PC用户来说，要想将其图形处理器升级到更高级别也很困难，甚至不太可能。这就会导致游戏（和视频编辑等）性能不佳，只能将图形质量设置降低才能工作。对此类用户而言，只有在主板支持和空闲空间足够的情况下，添加新显卡才能够把（游戏）显示体验提高到一个新的水平。CPU vs GPU既然CPU已经提供显示核心了，如果我们已有一颗强大CPU，为什么还需要单独的GPU呢？简单地说，就是GPU的数字计算对依赖于它的游戏引擎和（像视频编辑这样的）密集型应用程序来说更为强劲，位于GPU板上的大量核心可以在单位时间点处理所有此类进程。虽然CPU和GPU都是以硅为基础的微型处理器，不过从本质上来说，两者的部署角色却是完全不同的。CPU是PC的大脑，用于处理各种复杂的任务，GPU并不能有效地执行。而比特币工厂依赖于他们受信任的GPU（被称为GPGPU–通用图形处理单元）来挖矿而不用CPU。CPU和GPU就像人类的大脑和肌肉，前者能够处理大量不同类型的计算，而GPU的任务则是负责渲染图形和将所有可用核心聚焦于具体任务。当在单个任务上需要大量复杂图形和几何运算时，GPU会投入相应工作。GPU厂商目前市场上占主导地位的两大GPU厂商是AMD和Nvidia，AMD的前身就是大名鼎鼎的ATI，其Radeon品牌早在1985年就已发布，而Nvidia在1999年才发布了其首款GPU产品。AMD于2006年对ATI进行了收购，目前在两个不同的领域同Nvidia和Intel进行竞争。实际上在选购GPU产品时Nvidia和AMD并没有太大区别，完全取决于用户的个人喜好。继Nvidia发布的GTX 10系列推出一堆新产品后，AMD也以提供更实惠的价格与其竞争，并预计在不久的将来就会推出自己的高端图形解决方案。通常情况下，此类科技厂商都会在高端产品上并行竞争和一较高下，此外Intel也在芯片中不断推进自己的图形解决方案，但用户通常还是会选择A卡或N卡。GPU工作GPU目前已成为PC内部最强大的组件之一，其性能大部分都来自于VRAM。由于独立显卡使用的显示内存独立于计算机内存，这些存储器模块允许快速存储和接收数据，而不必再通过CPU路由到主板上插的内存。虽然显卡内存与计算机内存相似，但却完全不同，例如：支持DDR4内存的主板也可能会支持GDDR5 RAM的显卡。显卡上的VRAM用于在卡上快速存储和访问数据，以及为显示器缓冲渲染帧。其还有助于降低影响屏幕上近似数据的「锯齿状边缘」以实现抗锯齿，使图像看起来更平滑。GPU散热要利用好GPU的原始设计效能必需有大量供电，大量用电就意味着大量发热。显卡（或处理器）产生的热量是以热设计功耗（或简称TDP）和瓦特为单位测量的。但商家对产品的标称并不是直接所需的功耗值，例如新的GTX 1080标称为180W TDP等级，但这并不意味着它需要180W的功率。之所以提醒大家关心这个值是因为，具有较高TDP的GPU用到有限空气流动的紧凑空间中可能会导致散热问题。特别是对GPU超频的用户来说，需要有足够的冷却手段来处理增加的热量，才能让其稳定运行。GPU术语架构：GPU基于的平台（或技术）。一般由GPU厂商进行定义，如AMD 的Polaris架构。显存带宽：它决定了GPU如何有效地利用可用的VRAM。显卡可以使用GDDR5内存，但如果没有有效地利用带宽仍然会有瓶颈。纹理填充率：指GPU在单位时间内所能处理的纹理贴图的数量，单位是MTexels/S，由内核时钟乘以可用纹理映射单元（TMU）确定。内核/处理器：显卡上可用的并行内核（或处理器）数。核心时钟：与CPU的时钟速率类似，通常该值越高GPU则能够更快地工作。SLI/CrossFire：SLI和CrossFire分别是Nvidia和AMD使用的技术，它们允许用户安装多块GPU卡并协同工作。显卡解决图形问题和其他任务的众多核心都是专门设计的，强大的显卡和GPU可以为游戏提供更高的保真度和分辨率，虽然它比CPU更强大，但实际只能用于特定的应用程序。以上就是今天跟大家分享的“关于GPU你必须知道的基本知识 &GPU基本知识大全”的全部内容，更多精彩内容请继续关注未来软件园每日更新！出自中国分布式计算总站
GPU 计算，或称显卡计算，是指使用计算机的图形处理器（Graphic Processing Unit，简称 GPU）处理计算工作的计算方式。与之对应的是使用计算机中央处理器（即CPU）的 CPU 计算。
较之计算机的中央处理器（即CPU），GPU 在科学计算方面拥有如下优势：
GPU 由大量的运算单元（核心）组成，并行计算能力远高于 CPU。
通常 GPU 拥有较普通内存位宽更大、频率更高的专用内存，即显存，适合处理大规模数据。
综上，GPU 适合进行大量同类型数据的密集运算，如密码破译。
对于适合 GPU 处理的任务，GPU计算会比CPU计算快2至10倍之多。同时，在分布式计算项目中，GPU 任务的得分效率也比往往 CPU 任务高出很多。
小贴士： 总而言之，显卡需要CUDA或OpenCL支持，你可以使用查看显卡是否具备此功能，这是最简易的方法。
NVIDIA 显卡需要 CUDA 计算支持，支持的型号详见。
AMD 显卡需要拥有 AMD R600、AMD R700 或更新的 GPU 核心型号。R600核心的显卡有：ATI Radeon HD2400、HD2600、HD2900、HD3800；R700核心的显卡有：HD4350到HD4890。参见：，。
AMD APU 核心显卡中，Brazos、Kabini、Lynx 平台，适用于平板电脑的 Llano、Trinity 和 Richland 平台，以及适用于桌面和笔记本电脑的 Llano、Trinity 和 Richland APU 都支持 GPU 计算。
Intel 显卡需要 OpenCL 支持，Ivy Bridge 和 Haswell 架构的 CPU 集成的 GPU 均支持该特性。（）
不同项目对 GPU 配置还会有特殊要求（如显存、双精度支持等）。显卡推荐拥有至少 256MB 板载显存，如果低于这个数，可能只有考虑一下
警告： 新版本的Windows XP ATI/AMD显卡驱动不再兼容OpenCL计算，请考虑升级到Windows7或者使用旧版本（可能效率略低）。
操作系统中需装相应的支持 GPU 计算的驱动程序。
使用项目方提供的 GPU 计算专用的客户端 / 。
计算程序有访问GPU资源。
以下是各类显卡的驱动下载方式：
（Mac以及部分Windows用户另外需要，CUDA驱动内嵌一个显卡驱动）
Windows 下，由于权限控制机制，以独立用户身份运行的 BOINC 无法正常检测 GPU。安装 BOINC 客户端时，请不要选择 “Protected access execution mode”（默认即不选）。
Linux 下，需要将运行客户端的用户加入适当的用户组（通常是 video），以保证客户端拥有足够的权限使用 GPU 资源。
GPU 计算可能导致计算机图形界面响应非常缓慢。越是低端的显卡，这种效应越发明显。默认情况下，BOINC 仅在计算机闲置时使用GPU计算。如果你的显卡足够快，可以在参数设置中更改相应设置。
对于多显卡用户，可以禁用负责显示的显卡（通常是集成显卡或核心显卡），以避免影响系统正常使用。
GPU计算一般需要一些CPU资源进行命令。为了最大化GPU的利用程度，你可以手动提高GPU计算进程优先级以使其获得充足的CPU资源，也可以干脆留出一个CPU线程。
更优化的使用方法参见：
类似的，你也可以编写自己的程序控制优先级。一些优化程序，如
中的 GPU 程序直接可以通过修改其配置文件手动指定优先级。
后，Windows 7 和 Vista 的任务管理器在右键进程后有保存优先级设置的选项，也可以考虑使用。
在一些对 CPU 的总功率有限制的双显卡笔记本电脑上，你可能会发现使用 Intel 核芯显卡进行计算反而不是个好主意——使用显卡进行计算消耗的功率也被计入 CPU 的功率，于是电源管理可能使 CPU 本身的睿频变少，导致独立显卡无法完全发挥。
你还可以考虑适当地进行。
注意： 本表所列项目为现时提供GPU任务之项目。由于更新问题，可能与实际情况有所出入。请参考具体项目的官方说明。
本表只说明该项目有GPU计算支持，但并不保证适用于您的操作系统，详细的还请参见项目的计算程序列表。
（最近7日无包，详见）
（支持平台：Windows 32位/64位、Linux 64位，详见）
（最近无包，详见）
（支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.5或更新 64位，详见）
（最近约30分钟无包，支持平台：Windows 32位/64位，详见）
（非BOINC平台）
(暂无支持GPU的子项目，详见)
（需要双精度浮点，对应 1.3+，支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.5或更新 64位，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS 10.4或更新，详见）
（支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.4或更新，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS X或更新 64位，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS X或更新 64位，详见）
（最近7日无包，详见）
（支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.5或更新 64位，详见）
（最近约30分钟无包，支持平台：Windows 32位/64位，详见）
(暂无支持AMD GPU的子项目，详见)
（非BOINC平台）
（需要双精度浮点，支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.5或更新 64位，详见）
（支持平台：Windows 32位、Linux 32位/64位，详见）
（支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.5或更新 64位，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS X或更新 64位，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS X或更新 64位，详见）
（最近，详见）
该分类下项目大多需要OpenCL1.2支持，请进入段落手动下载新版OpenCL驱动代替Windows自动升级驱动。
（暂无支持Intel GPU的子项目，详见）
（支持平台：Windows 32位/64位、Linux 32位/64位、Mac OS 10.5或更新 64位，详见）
（最近约30分钟无包，支持平台：Windows 32位/64位，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS X或更新 64位，详见）
（支持平台：Windows 32位、Linux 64位、Mac OS X或更新 64位，详见）
Distributed Computing Information in Chinese |
Powered by MediaWiki (GuMax)}