Principais Alternativas de NVIDIA CUDA GL Mais Bem Avaliadas
Avaliações 39 NVIDIA CUDA GL
- Containerizar um programa gráfico com backend de ML usando CUDA tornou-se muito fácil, graças ao esforço da NVIDIA com o glvnd. Com os contêineres Cuda GL, é muito mais fácil começar a funcionar em poucos minutos, evitando toda a dor de cabeça de versões incompatíveis de bibliotecas e falhas arbitrárias. O kit de ferramentas da Nvidia tem suporte para uma ampla gama de bibliotecas de ml/dl. Análise coletada por e hospedada no G2.com.
- Da última vez que vi, lembro que o desenvolvimento e lançamento de novos contêineres foram pausados para algum outro trabalho de dívida técnica. Além disso, acho que a comunidade ao redor está boa e crescendo lentamente. Análise coletada por e hospedada no G2.com.
Eu usei CUDA na faculdade para estudar coisas como processamento paralelo com GPUs, então é bom se você quiser saber o básico e depois começar com passos mais avançados. Análise coletada por e hospedada no G2.com.
A única desvantagem parece ser a sua idade, é bom para alguém esclarecer o básico, mas está um pouco desatualizado e é intensivo em carga. Eu tive que executar seu programa no Google Colab em vez de no PC local devido ao tempo excessivo que leva para rodar. Análise coletada por e hospedada no G2.com.
-A melhor parte é o suporte multiplataforma, que garante que ele se comporte da mesma maneira em diferentes sistemas operacionais.
-É bastante fácil integrá-lo com um modelo já construído e é bastante útil para acelerar modelos/aplicações que exigem muita computação. Análise coletada por e hospedada no G2.com.
Isso não é necessariamente uma desvantagem, mas construir implementações básicas pode ser mais fácil, mas para aplicações mais complexas você precisa de um bom nível de compreensão, mas, novamente, essa parte geralmente é cuidada por desenvolvedores seniores. Portanto, pode levar algum tempo para obter um bom domínio até um nível intermediário a avançado. Análise coletada por e hospedada no G2.com.
Trabalhei na NVIDIA CUDA há muito tempo, em 2010. Estava construindo uma plataforma de avaliação de código semelhante ao Leetcode, mas para NVIDIA CUDA, que rastreia o número de núcleos e o uso de memória, juntamente com a correção da solução. Achei difícil de entender, pois os conceitos são diferentes. No entanto, consegui fazer o projeto funcionar e ele foi usado pela Universidade da Califórnia para avaliar a habilidade dos estudantes em programação paralela.
O que mais gostei foi a capacidade de dividir e executar programas em paralelo, o que permite um rendimento massivo e reduz o tempo para executar programas intensivos em computação em ordens de magnitude. Análise coletada por e hospedada no G2.com.
Como era novo, tive dificuldade em entender os conceitos de projetar programas para rodar em múltiplos núcleos. Também não gostei das ferramentas em torno disso. Não há depuração ou bom suporte de IDE. Isso foi inicialmente quando trabalhei nisso lá em 2010. Não tenho certeza do estado atual. Análise coletada por e hospedada no G2.com.
Tenho usado a NVIDIA há 6 anos e tem sido muito boa em desempenho. Durabilidade no seu melhor. Funcionando de forma suave por 6 anos é algo que deve ser apreciado. Análise coletada por e hospedada no G2.com.
Não há nada que eu não goste em relação à NVIDIA, mas dados os avanços tecnológicos, os produtos deveriam estar disponíveis por preços razoáveis. Fora isso, acho que tudo está bem. Análise coletada por e hospedada no G2.com.
Tem o melhor desempenho do mercado quando se trata de computação. Eles oferecem uma arquitetura fácil de usar e para fins de distribuição. O kit de ferramentas da Nvidia é muito abrangente. Análise coletada por e hospedada no G2.com.
Não há uma desvantagem específica, mas tudo tem um escopo de melhoria. É projetado principalmente para cartões mais antigos, embora se adapte bem aos mais novos também. No geral, ótimo. Análise coletada por e hospedada no G2.com.
Eu gosto de vários aspectos do NIVIDA CUDA GL:
1. Acelera significativamente a computação de tensores.
2. Tem melhor compatibilidade com diferentes versões de GPU.
3. Reduziu falhas e bugs no sistema operacional (tenho experiência no Ubuntu 18.04 e Ubuntu 20.04) em algumas bibliotecas após a instalação da nova biblioteca. Análise coletada por e hospedada no G2.com.
Até agora, não encontrei nenhum problema ao trabalhar com NIVIDA CUDA GL. Tudo está ótimo. Análise coletada por e hospedada no G2.com.
Facilidade de uso e fácil adoção em GPUs da NVIDIA. A linguagem CUDA também parece familiar, então é fácil e rápido de entender e aprender, o que é uma das maiores vantagens que tem sobre seus concorrentes. Análise coletada por e hospedada no G2.com.
O único problema é que, por ser específico da arquitetura da NVIDIA, é um pouco difícil recomendar, considerando que existem alternativas como o OpenCl. Se houver melhorias a serem feitas, acho que tentar ser mais inclusivo? Análise coletada por e hospedada no G2.com.
Já estamos cientes sobre linguagens de programação, CUDA é tão simples quanto qualquer outra linguagem de programação para entender e rapidamente codificar a lógica de processamento paralelo. Análise coletada por e hospedada no G2.com.
Falta de recursos online e tutoriais rápidos com exemplos devem estar disponíveis para aumentar o uso. Além disso, entender quando usar e quando não usar CUDA é uma habilidade, que também deve ser explicada. Análise coletada por e hospedada no G2.com.
