普通電腦能不能安裝gpu

① 筆記本電腦能安裝顯卡嗎

筆記本電腦不能安裝顯卡。

現在市面上大部分筆記本顯卡都是直接焊接在主板上的無法取下，所以也就不能換顯卡。

換顯卡注意事項：

1、主板介面和顯卡介面是否一致：現在的主板和顯卡介面都是pci-e介面，除非是特別古老的主板才會存在介面不一致的情況。

2、處理器能否將顯卡性能完全發揮出來，這個是很重要的，如果處理器無法將顯卡性能發揮出來，就會造成顯卡資源浪費。

3、電源供電能否跟上，如果供電不夠，顯卡無法穩定運行，會造成顯卡性能下降，長期再次狀態運行還會造成顯卡損害。

(1)普通電腦能不能安裝gpu擴展閱讀：

顯卡是個人計算機基礎的組成部分之一，將計算機系統需要的顯示信息進行轉換驅動顯示器，並向顯示器提供逐行或隔行掃描信號，控制顯示器的正確顯示，是連接顯示器和個人計算機主板的重要組件，是「人機」的重要設備之一，其內置的並行計算能力現階段也用於深度學習等運算。

顯卡是插在主板上的擴展槽里的，它主要負責把主機向顯示器發出的顯示信號轉化為一般電器信號，使得顯示器能明白個人計算機在讓它做什麼。顯卡主要由顯卡主板、顯示晶元、顯示存儲器、散熱器（散熱片、風扇）等部分組成。顯卡的主要晶元叫「顯示晶元」，是顯卡的主要處理單元。顯卡上也有和計算機存儲器相似的存儲器，稱為「顯示存儲器」，簡稱顯存。

② 電腦怎麼安裝gpu

1.首先,請右鍵點擊桌面上的計算機圖標,選擇「管理」選項。
2.在打開計算機管理頁面中,雙擊左側的「設備管理器」菜單選項進入設備管理器頁面。
3.雙擊列表中「顯示適配器」選項,展開電腦中安裝的顯卡設備,點擊選擇其中的顯卡設備。
4.打開顯卡設備屬性頁面之後,點擊切換至「驅動」選項卡,並點擊「更新驅動程序」按鈕。
5.在接下來打開的頁面中選擇自動更新並搜索該設備對應的驅動程序。

③ 我的電腦可以添加GPU嗎CPU可不可以換

u不用換吧，加個能耗比高的卡，推薦gtx750補充：不能加太好的，因為你電源300W，換也比較麻煩，gtx750可以勝任絕大多數游戲了，比你現在的顯卡好N倍，京東700左右. cpu不推薦更換，1.主板限制，這個主板不能換比你cpu好多少的2.cpu性能足夠，電腦卡的話不會是cpu的原因吧補充：那個風扇，照片上的，拆下來，下面就是cpu

④ WIN10的15寸筆記本電腦可以外加個GPU嗎

不行！[GPU=圖形處理器（英語：Graphics Processing Unit，縮寫：GPU）]
目前筆記本的顯卡基本都是集成在主板上的，而且不同於台式機的兼容廣譜，筆記本設計之初還會考慮內部功耗的要求，所有元件的電壓、電流都是有一定要求的。當然，也可以通過換主板的方式（前提是有同型號的二手主板），這時熟悉電路的同學可以自行根據筆記本銘牌上的電功耗信息和筆記本內各個元件的型號對應的功耗信息自己去計算一下。
總體來說，如果不是特別熟悉單路構造的電腦大咖的話，換筆記本GPU不如直接換本本的……

⑤ 普通電腦PC怎樣跑TensorFlow的GPU模式

需要看你的PC配置是否夠，TF的GPU模式只支持N卡，然後計算能力高於3.0，以下說下安裝步驟：

1、首先要注冊NVIDIA developer的帳號，分別下載CUDA和cuDNN。

2、確認准備gcc版本，安裝依賴庫sudo apt-get install freegl。

3、安裝CUDA。

4、解壓cuDNN。

5、clone tensorflow源碼，configure配置。

6、編譯安裝。

7、最後一步測試。

⑥ 我對電腦組裝一點都不懂問CPU和GPU可以同時裝在一部電腦里嗎

你這也太白了，cup就是處理器，GPU就是顯卡，一個是數據處理一個是圖形處理，我這么跟你說吧，你玩吃雞，那些地圖房子刷的速度就取決於你的處理器，而畫面的幀數和畫質程度就取決與你的顯卡，這兩個是電腦缺一不可的硬體。有的主板上是自帶集成顯卡，你自己另外裝的就是獨立顯卡，這個你應該在英偉達的驅動設置里看到過，集成顯卡一般很垃圾，電腦都是吃你的獨立顯卡，顯卡好點畫質高點，你要是就玩這些和吃雞類似的買顯卡就買貴點的，要是要畫圖啊或者玩大型moba類的游戲的話處理器就買好點，但是現在絕大多數的固態硬碟都能處理這些數據的處理問題，所以都是顯卡買的好一點處理器湊合著用，當然要是手頭寬裕的話就完全不需要考慮這些問題了

⑦ 普通配置電腦能換四殼CPU嘛、GPU也可以換嘛

這要看你的主板支持的處理器的類型了，再就是雖然支持的話，還有一個能發揮出多少性能的問題，要根據你主板及其他硬體的具體參數來考慮......

⑧ 給電腦安裝顯卡就等於給電腦安裝GPU了嗎

GPU是顯卡的核心部分，但是安裝顯卡不等於安裝GPU
有些CPU是自帶核顯的，已經包含GPU了

⑨ 普通電腦PC怎樣跑TensorFlow的GPU模式

首先需要看你的PC配置是否夠，TF的GPU模式只支持N卡，然後計算能力高於3.0，具體可以查：


安裝教程可以參考：



Ubuntu16.04上gtx1080的cuda安裝
July 17 2016
目前tensorflow是一個非常流行的深度學習計算框架，常規硬體及系統的安裝方法官方的doc已經說的很清楚了，但是 因為系統是ubuntu16.04,顯卡是GTX1080,所以不可避免的要折騰起來。在上一篇已經在16.04上安裝好了驅動。接下來其實 重點安裝的是CUDA和cuDNN.
首先說為什麼要安裝CUDA和cuDNN，關於採用GPU計算比CPU有速度有多少提升的benchmark找找就有，這次重點是怎麼讓tensorflow充分用的 上GTX1080能力。具體的就是如何把支持GTX1080的CUDA和cuDNN裝起來，然後讓tensorflow認識我們新裝的CUDA和cuDNN。
首先總體說下安裝步驟：
1 首先要注冊NVIDIA developer的帳號，分別下載CUDA和cuDNN
2 確認准備gcc版本，安裝依賴庫sudo apt-get install freegl
3 安裝CUDA
4 解壓cuDNN
5 clone tensorflow源碼，configure配置
6 編譯安裝
7 最後一哆嗦,測試！
准備工作
在正式開始前，需要做幾個准備工作，主要是大概先看下文檔
cuda FAQ
tensorflow 的安裝文檔
cuda-gpu的支持列表/計算能力/FAQ
cudnn 5.1有多牛
cuda tookit下載頁面
CUDA_Installation_Guide_Linux.pdf
cudnn User Guide
文檔看過之後接下來就是實際動手的過程：
1 注冊NVIDIA developer的帳號，分別下載CUDA和cuDNN
1.1 下載CUDA 打開cuda toolkit下載頁面,GTX1080 要用的是CUDA 8。先點擊JOIN,注冊帳號。 完了後，再回到cuda toolkit下載頁面。選擇 linux, x86-64, ubuntu, 16.04, runfile(local)
1.2 下載cuDNN 進入cudnn的下載頁,一堆調查,日誌寫時下載的是[Download cuDNN v5 (May 27, 2016), for CUDA 8.0 RC],點開選linux,不出意外的話這個就是下載地址.
2 確認GCC版本，安裝依賴庫
確認本機gcc版本,16.04默認的是gcc 5,這里安裝需要的最高是gcc 4.9。接下來就安裝配置gcc 4.9.
2.1 安裝gcc 4.9，並修改系統默認為4.9
sudo apt-get install gcc-4.9 gcc-4.9 g++-4.9 g++-4.9
gcc --version
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++
gcc --version


2.2 一個小依賴
sudo apt-get install freegl


3 安裝CUDA
需要注意的是這個地方有個選擇安裝低版本驅動的地方，選n 大致的安裝流程如下：
3.1 安裝CUDA
chmod +x /cuda_8.0.27_linux.run
./cuda_8.0.27_linux.run

....

Do you accept the previously read EULA?
accept/decline/quit: accept

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
(y)es/(n)o/(q)uit: n

Install the CUDA 8.0 Toolkit?
(y)es/(n)o/(q)uit: y

Enter Toolkit Location
[ default is /usr/local/cuda-8.0 ]:

Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y

Install the CUDA 8.0 Samples?
(y)es/(n)o/(q)uit: y

Enter CUDA Samples Location
[ default is /home/h ]: /home/h/Documents/cuda_samples

....



3.2 寫入環境變數
vim ~/.bashrc
#添加下面變數
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}


3.3 安裝好後簡單驗證
a. 進入剛配置時指定的cuda sample所在文件夾,NVIDIA_CUDA-8.0_Samples/
b. cd 0_Simple/asyncAPI;sudo make
c. NVIDIA_CUDA-8.0_Samples/0_Simple/asyncAPI$ ./asyncAPI [./asyncAPI] - Starting… GPU Device 0: 逗GeForce GTX 1080地 with compute capability 6.1 CUDA device [GeForce GTX 1080] time spent executing by the GPU: 10.94 time spent by CPU in CUDA calls: 0.19 CPU executed 50591 iterations while waiting for GPU to finish
4 安裝cuDNN
h@h:~/Downloads$ tar xvzf cudnn-8.0-linux-x64-v5.0-ga.tgz
cuda/include/cudnn.h
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.5
cuda/lib64/libcudnn.so.5.0.5
cuda/lib64/libcudnn_static.a

h@h:~/Downloads$ sudo cp -R cuda/lib64 /usr/local/cuda/lib64
h@h:~/Downloads$ sudo mkdir -p /usr/local/cuda/include
h@h:~/Downloads/cuda$ sudo cp include/cudnn.h /usr/local/cuda/include/
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*



5 clone, configure tensorflow
5.1 clone源碼
$ git clone


5.2 configure配置
整個配置流程應該跟下面的基本一樣的
h@h:~/Downloads/tensorflow$ cd ./tensorflow/
h@h:~/Downloads/tensorflow$ ./configure
Please specify the location of python. [Default is /usr/bin/python]:
***Do you wish to build TensorFlow with Google Cloud Platform support? [y/N] N***
No Google Cloud Platform support will be enabled for TensorFlow
***Do you wish to build TensorFlow with GPU support? [y/N] y***
GPU support will be enabled for TensorFlow
Please specify which gcc nvcc should use as the host compiler. [Default is /usr/bin/gcc]:
**Please specify the location where CUDA toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: /usr/local/cuda-8.0 **

**Please specify the Cudnn version you want to use. [Leave empty to use system default]: 5.0.5**
**Please specify the location where cuDNN 5.0.5 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda-8.0]: /usr/local/cuda**
Please specify a list of comma-separated Cuda compute capabilities you want to build with.
You can find the compute capability of your device at:
**Please note that each additional compute capability significantly increases your build time and binary size.
[Default is: "3.5,5.2"]: 6.1**
Setting up Cuda include
Setting up Cuda lib64
Setting up Cuda bin
Setting up Cuda nvvm
Setting up CUPTI include
Setting up CUPTI lib64
Configuration finished


6 編譯安裝
6.1 編譯工具Bazel安裝配置
先看一眼文檔然後就執行下面的流程:
#安裝java 1.8
sudo add-apt-repository ppa:webupd8team/java
sudo apt-get update
sudo apt-get install oracle-java8-installer

#安裝好後車參考下
java -version

#添加源
echo "deb [arch=amd64] stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list
curl | sudo apt-key add -

#下載
sudo apt-get update && sudo apt-get install bazel

#升級
sudo apt-get upgrade bazel


6.2 編譯tensorflow的pip版本並安裝
$ bazel build -c opt //tensorflow/tools/pip_package:build_pip_package

# To build with GPU support:
$ bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

$ bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

# The name of the .whl file will depend on your platform.
#注意編譯完成後生成的文件名字和官方doc裡面的是不一定一致的

$ sudo pip install /tmp/tensorflow_pkg/tensorflow-0.*-linux_x86_64.whl


i6700k 32g編譯時間:

只編譯代碼不帶pip INFO: Elapsed time: 967.271s, Critical Path: 538.38s

bazel-bin/tensorflow/tools/pip_package/build_pip_package INFO: Elapsed time: 65.183s, Critical Path: 48.58
7 最後測試
前面都整完了，現在該測試了，注意前面有兩個動態鏈接庫的位置，cuDNN在/usr/local/cuda/lib64， 而cuda在/usr/local/cuda-8.0/lib64，所以這個時候的bashrc應該這么寫：
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}



寫完後,
source ~/.bashrc
cd tensorflow/tensorflow/models/image/mnist
python convolutional.py


成功的話會出現流暢的跑動:
h@h:~/Downloads/tensorflow/tensorflow/models/image/mnist$ python convolutional.py
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcublas.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcudnn.so.5.0.5 locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcufft.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcuda.so.1 locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcurand.so locally
Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz
I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:925] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
I tensorflow/core/common_runtime/gpu/gpu_init.cc:102] Found device 0 with properties:
name: GeForce GTX 1080
major: 6 minor: 1 memoryClockRate (GHz) 1.8475
pciBusID 0000:01:00.0
Total memory: 7.92GiB
Free memory: 7.41GiB
I tensorflow/core/common_runtime/gpu/gpu_init.cc:126] DMA: 0
I tensorflow/core/common_runtime/gpu/gpu_init.cc:136] 0: Y
I tensorflow/core/common_runtime/gpu/gpu_device.cc:838] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1080, pci bus id: 0000:01:00.0)
Initialized!
Step 0 (epoch 0.00), 8.4 ms
Minibatch loss: 12.054, learning rate: 0.010000
Minibatch error: 90.6%
Validation error: 84.6%

......

Minibatch error: 0.0%
Validation error: 0.7%
Step 8500 (epoch 9.89), 4.7 ms
Minibatch loss: 1.601, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.9%
Test error: 0.8%

⑩ 筆記本電腦可以裝獨立顯卡么

普通筆記本獨立顯卡是不能換的，顯卡核心晶元和顯存顆粒都是直接焊接在主板上的，這是為了降低筆記本設計和製造成本，高端的筆記本如戴爾的外星人筆記本是可以拆換獨立顯卡的，筆記本集成顯卡有兩種，早期的筆記本集成顯卡是集成在主板晶元裡面的，現在的筆記本集成顯卡叫做核心顯卡是集成在處理器裡面的。

在筆記本獨立顯卡部分里，其中獨立的GPU核心晶元和GDDR顯存顆粒都是焊接在主板上的。可以拆卸的筆記本獨立顯卡使用的是一種叫做MXM介面的規格，不同於台式機。但是使用這種卡槽首先必然增加筆記本的主板設計成本，而且會增加筆記本厚度和重量，完全獨立的顯卡也會增加筆記本的熱功耗。

MXM介面，即Mobile PCI Express Mole，這是一套基於PCI-Express界面的、為圖形處理器設計的設備介面，定位於不同類型的筆記本產品，是由nVidia及多家筆記本電腦生產商共同制定，採用和PCI-Express兼容的通訊協議。

因此可使用於所有支持PCI-Express規格的繪圖核心及支持PCI-Express 繪圖介面的晶元組，它不止縮短了產品設計的周期，而且廠商可因用戶不同需求而提供不同等級的MXM顯卡產品，用戶則可以根據需要在日後自行升級MXM顯卡而無需更換整台筆記本電腦。
筆記本獨立顯卡作用
如今大多數電腦都有這樣一個特徵：CPU集成核心顯卡、外加電腦中還配備獨立顯卡，這樣的電腦就擁有雙顯卡，正常情況下，雙顯卡會自動切換智能運行。

不過由於CPU集成的顯卡性能有限，無法媲美獨立顯卡，此外雙顯卡電腦在運行一些游戲時，還可能因為兼容導致游戲無法安裝或者閃退等。對於這種情況，我們通常需要將雙顯卡切換到獨立顯卡上運行，也就是說，指定電腦使用高性能的獨立顯卡運行程序或者游戲，這樣不僅性能最好，同時也可以解決一些兼容問題。