深度学习研究生显卡推荐

是一张4070好呢还是两张3060对于深度学习跑模型提升大呢，希望大能回答

1.显存
4070具有12GB显存，而每3060的显存为12GB，两张共计24GB。然而，请注意，当使用多个显卡并行处理时，并不是所有深度学习框架都能完美地利用两张显卡的内存。因此，在某些情况下，4070的12GB显存可能对您的应用足够。

2.计算能力
4070的计算能力理论上应高于RTX 3060。尽管两张3060在某些情况下可能提供更高的总计算能力，但请注意多GPU设置可能需要更复杂的编程，并且并非所有深度学习框架都能完全利用这种设置。
3.功耗
4070的最大功耗为300W。每张3060的最大功耗约为170W，两张显卡共计340W。因此，两张3060的功耗和散热需求可能更高。
如果您的深度学习框架和应用程序能够充分利用多GPU设置，那么两张3060对于深度学习跑模型提升大。

这篇博客: 【毕业设计】基于机器学习与大数据的糖尿病预测中的 5.3 模型参数调优 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

Logistic模型调优：

C：C为正则化系数λ的倒数，必须为正数，默认为1。和SVM中的C一样，值越小，代表正则化越强。

SVM模型调优：

C：惩罚系数，即对误差的宽容度。c越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差

gamma： 选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

XGBoost参数调优：

XGBoost的参数较多，这里对三个参数进行了调整，共分为两步调整。整体思路是先调整较为重要的一组参数，然后将调到最优的参数输入模型后继续调下一组参数。

parameters_Logr = {'C':[0.05,0.1,0.5,1]}
parameters_svm = {'C':[0.05,0.1,1,5,10,20,50,100],'gamma':[0.01,0.05,0.1,0.2,0.3]}

# 网格搜索
grid_search_log = GridSearchCV(model_logistics,parameters_Logr, cv=5,scoring='roc_auc')
grid_search_log.fit(train_X, train_y)

grid_search_svm = GridSearchCV(model_svm,parameters_svm, cv=5,scoring='roc_auc')
grid_search_svm.fit(X_train_minmax, train_y)

# 获得参数的最优值
print('Log:\n')
print(grid_search_log.best_params_,grid_search_log.best_score_)
print('\nSVM:\n')
print(grid_search_svm.best_params_,grid_search_svm.best_score_)

在这里插入图片描述

#XGBoost调参
#第一步：先调max_depth、min_child_weight
param_test1 = {
 'max_depth':range(3,10,2),
 'min_child_weight':range(1,6,2)
}
gsearch1 = GridSearchCV(estimator = XGBClassifier(), 
                        param_grid = param_test1,scoring='roc_auc')
gsearch1.fit(train_X,train_y,early_stopping_rounds=500, eval_metric="logloss", eval_set=eval_set, verbose=False)
gsearch1.best_params_,gsearch1.best_score_

在这里插入图片描述

#第二步：调gamma
param_test2 = {
 'gamma':[0.01,0.05,0.1,0.2,0.3,0.5,1]
}
gsearch2 = GridSearchCV(estimator = XGBClassifier(max_depth=3,min_child_weight=3), 
                        param_grid = param_test2, scoring='roc_auc', cv=5)
gsearch2.fit(train_X,train_y,early_stopping_rounds=500, eval_metric="logloss", eval_set=eval_set, verbose=False)
gsearch2.best_params_, gsearch2.best_score_

在这里插入图片描述