摘要：一石激起千层浪，英伟达全新禁止在数据中心使用系列做深度学习，已经成为今日等网站头条。同时，英伟达仅仅限制在数据中心使用做深度学习，一般的高校和研究所这样的非商业用户，并不会受什么影响。
英伟达的CEO黄仁勋曾经说，他最喜欢三件事——游戏、GPU、深度学习。这三件事也是英伟达的命脉所在。5年前黄仁勋英明的判断将GPU从游戏转向深度学习成就了他自己和他的公司在深度学习界的地位。
不过，当一个市场被一家企业所主导，这家企业就可能采取各种措施，获取尽可能多的利润，甚至达到垄断的目的。
最近，日本公司Ubiquitous Entertainment总裁兼首席执行官清水亮撰文[1]，指责英伟达悄然修改终端用户使用协议，禁止在数据中心使用GeForce软件，并称这一改动将会影响广大的深度学习研究者和开发人员。
一石激起千层浪，“英伟达全新EULA禁止在数据中心使用GeForce系列GPU做深度学习”，已经成为今日Reddit等网站头条。
货还是给你买，但在数据中心不能用于深度学习
英伟达更新后的EULA，并不是不允许在数据中心使用GeForce显卡，而是禁止在数据中心部署GeForce配套软件（不授权）。
修改后的英伟达GeForce软件用户使用协议，No Datacenter Deployment，软件不能在数据中心使用。
软件不能用意味着什么？
货还是给你买，但是不准用作深度学习（但是用来挖矿可以，这个后面会细说）。
大家都知道，英伟达货卖得好，主要原因是配套的软件做得齐。正如清水亮在文章中指出的那样，在实践中，英伟达可以说是全世界提供API和足够多运算函数来做深度学习的半导体公司。
英特尔和其他公司也在奋力追赶，但相比与英伟达的丰富资源和IP，目前这些公司仍然只能恨居追赶的位置。
GeForce vs Tesla：性能相差不大，但价格却天上地下
那么，GeForce和Tesla的区别又在哪里？
英伟达最初开发GPU是用于游戏的，产品线包括针对游戏的GeForce系列和用于高端处理器的Tesla系列。一组简单的数字：
GeForce GTX 1080: PASCAL; 2560 CUDA cores; 8 TFLOPS (single-prec); 8 GB GDDRX5 320 GB/s; max 180 W.
Tesla P100: PASCAL; 3584 CUDA cores; 9.3 TFLOPS (single-prec); 16 GB HBM2 732 GB/s; max 250 W.
这样看不直观。有人专门做了对比[2]，下图展示了训练的平均时间。Tesla在基准测试中胜过了GeForce；但是，只有1.25倍的加速（或者说，训练时间减少了20％）。在MNIST基准上看，差异并不明显，可能是由于epoch速度太快。
在DeepConvLSTM这个基准上，两者运行时的能耗和温度分别是：
很显然，Tesla的处理性能和稳定性更高一些，但这两个系列都基于Pascal架构，硬件规格（specifications）也非常类似。
然而，在价格方面，Tesla却将近是GeForce的10倍。
因此，那些对GPU使用，尤其是不需要持续运转，在稳定性方面要求没有那么高的用户，往往使用GeForce来代替Tesla，包括一些数据中心客户在内——毕竟，不是谁都那么财大气粗，用户的眼睛是雪亮的，有性价比更高的方案，谁会弃而不用呢？
英伟达在利用其垄断地位玩阴招？
因此，在英伟达更新EULA后，就如清水亮所说，“要在数据中心做深度学习项目，不管是商业的也好，学术的也罢，在日本也好，海外也罢，都必须购买高价的Tesla系列才行”，便宜又好用的GeForce系列就这样强制被罢黜了。
“这显然是英伟达（日本）在利用其垄断地位玩阴招。”清水亮这样说。
试想，为什么没有直接商业应用的学生实验或商业研究，要被迫支付合理成本的10倍？跟在游戏中使用的芯片几乎完全相同，仅仅因为放在数据中心里，价格就上涨了10倍。这里面难道没有猫腻？
作为一个《星球大战》迷，清水亮将英伟达的这一策略改动类比为“第一秩序”（First Order）的崛起。
如此热爱GPU、热爱深度学习，以及热爱《星球大战》的黄教主，竟被比作Kylo Ren？！
嗯……题外话：Kylo Ren，《星球大战》电影系列中的一名虚构反派角色他拥有强大的原力，后堕落至原力黑暗面，渴望和外祖父黑武士达斯·维达一样强大。
清水亮说，深度学习社区让英伟达获得了创纪录的利润，而这家公司如何回报深度学习社区？这就好像在说：“如果你还想继续工作，那就付我们十倍的钱。”
文章发布后，清水亮的愤怒得到了很多共鸣和回应[3]。
树大招风
作为一家商业公司，英伟达要怎么限制和授权软件使用，完全是它的自由。
同时，英伟达仅仅限制在数据中心使用GeForce做深度学习，一般的高校和研究所这样的非商业用户，并不会受什么影响。
再者，GeForce作为专门用做图形的显卡，做数据中心应用原本效率就不会太高，从数据中心这方面来说，原本购买GeForce做深度学习的可能性也不大。实际上，英伟达也一直在向数据中心客户推广稳定性更好的Tesla。
还有一种可能，就是英伟达懒得去优化GeForce做非图形应用的软件了。
不过，值得注意，英伟达的条款明确指出，虽然不准用GeForce在数据中心做深度学习，但挖矿除外，这一点可能是在针对AMD等对手，因为业界普遍认为后者在挖矿上的效率更高。
但最后，英伟达对“数据中心”也没有明确定义，企业的机房算“数据中心”吗？虽然互联网巨头看不上GeForece，但初创公司可能会用啊。
总之，这个新规定会波及不少成长当中的深度学习项目，这一点是毋庸置疑的。
还有，有时间你可以访问Reddit[3]，反对（谴责）英伟达的、力挺英伟达的、怒其他芯片公司不争的……在深度学习领域，一个EULA的修改就能引发这样的波澜，除了英伟达还有几家？
参考资料
[1] 清水亮原文：https://wirelesswire.jp/2017/12/62708/
[2] 英伟达GeForce和Tesla性能对比：https://medium.com/@alexbaldo/a-comparison-between-nvidias-geforce-gtx-1080-and-tesla-p100-for-deep-learning-81a918d5b2c7
[3] Reddit关于英伟达GeForce软件EULA讨论：https://www.reddit.com/r/MachineLearning/comments/7ly5gi/news_new_nvidia_eula_prohibits_deep_learning_on/
欢迎加入本站公开兴趣群商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识
QQ群：81035754
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/4698.html
摘要：现在英伟达官方终于承认了缺陷的存在。财报后股价暴跌麻烦还不止于此。今天早间，英伟达的新一季度财报发布。第三季度财报显示，英伟达营收亿美元，同比增长净利润亿美元，同比增长。这份财报发布后，英伟达盘后股价一度跳崖暴跌。 RTX 2080 Ti，英伟达新一代图灵架构GPU，因为独特而鲜明的外观，一直以来被大家戏称为燃气灶。现在这个昵称总算名副其实了。昨天，2080 Ti用户shansoft正在上网...
摘要：基准测试我们比较了和三款，使用的深度学习库是和，深度学习网络是和。深度学习库基准测试同样，所有基准测试都使用位系统，每个结果是次迭代计算的平均时间。 购买用于运行深度学习算法的硬件时，我们常常找不到任何有用的基准，的选择是买一个GPU然后用它来测试。现在市面上性能较好的GPU几乎都来自英伟达，但其中也有很多选择：是买一个新出的TITAN X Pascal还是便宜些的TITAN X Maxwe...
摘要：但是如果你和我是一样的人，你想自己攒一台奇快无比的深度学习的电脑。可能对深度学习最重要的指标就是显卡的显存大小。性能不错，不过够贵，都要美元以上，哪怕是旧一点的版本。电源我花了美元买了一个的电源。也可以安装，这是一个不同的深度学习框架。 是的，你可以在一个39美元的树莓派板子上运行TensorFlow，你也可以在用一个装配了GPU的亚马逊EC2的节点上跑TensorFlow，价格是每小时1美...
摘要：最近，等人对于英伟达的四种在四种不同深度学习框架下的性能进行了评测。本次评测共使用了种用于图像识别的深度学习模型。深度学习框架和不同网络之间的对比我们使用七种不同框架对四种不同进行，包括推理正向和训练正向和反向。一直是深度学习方面最畅销的。 最近，Pedro Gusmão 等人对于英伟达的四种 GPU 在四种不同深度学习框架下的性能进行了评测。本次评测共使用了 7 种用于图像识别的深度学习模...
摘要：二十多年来，能够以许可证为基础保持了竞争力。年月日，英伟达发布了，这是第一款集成了硬件加速单元的，为显卡奠定了基础。在上，首次带来了位单元首个几何 整理 | 王...
阅读 2686·2021-11-24 09:39
阅读 990·2021-11-02 14:38
阅读 1291·2021-09-30 09:46
阅读 3811·2021-09-10 11:26
阅读 2594·2021-08-25 09:40
阅读 2149·2019-08-30 15:54
阅读 358·2019-08-30 10:56
阅读 1136·2019-08-27 11:07
