5 лучших видеокарт для работы с графикой и вычислениями

В чем отличие 3d моделирования?

Когда мы работаем с графикой это активный рабочий процесс, который использует возможности железа иначе, чем рендеринг. Например, мы создаем модель машины, которая состоит из полигонов с модификаторами, деформерами, отражениями, клонированием, изгибами и т.д. Компьютер тоже проводит немало расчетов во время этого процесса, но почти все они проводятся исключительно на одном ядре процессора.

Почему так? Потому что сцена строится с определенной иерархией и процессору нужно обработать всю эту структуру пошагово. CPU не может распараллелить большинство этапов на отдельные ядра, так как почти все этапы связаны и зависят друг от друга.

В практическом смысле это означает, что даже если у вас топовый процессор с кучей ядер, моделлинг не пойдет быстрее и вьюпорт не будет работать быстрее. Для лучшей производительности при моделировании и активной работы со сценой будет предпочтителен процессор с наибольшей тактовой частотой отдельного ядра, а не их количеством.

Вполне закономерный вывод, ведь тогда мы сможем максимально быстро рендерить и работать, благодаря такому процессору. Вообще да, но практически так не бывает.

Из-за высокого энергопотребления и, как следствие, выделения тепла есть ряд ограничений не позволяющий создать чудо процессор, который одинаково хорош в обоих аспектах. Между количеством CPU ядер и максимальной тактовой частотой есть взаимосвязь и чем больше ядер имеет конкретный процессор, тем ниже предельные значения по тактовой частоте этих ядер. И, напротив, если у процессора меньше ядер, их можно сделать более быстрыми.

Однако, технологии не стоят на месте и производители процессоров Intel и AMD нашли решение для этой проблемы – turbo boost.

Представьте, что мы снова используем компьютер для моделирования и нагружаем 1-2 ядра, остальные в простое. Технология турбо буста разгоняет эти ядра в пределах безопасных пределов по энергопотреблению и тепловыделению, чтобы добиться максимальной производительности. Технология от производителя, бояться нечего. После того как будут достигнут предел по температуре, тактовая частота будет понижена до стандартной, чтобы не нанести вред самому процессору.

Таким образом, мы по сути и получаем многоядерный процессор со средними частотами, который, однако, может выдать большую производительность на 1-2 ядрах, когда нужно при остальных в простое.

На этом обзорная часть заканчивает и переходим к выбору комплектующих для лучшего компьютера для 3D моделирования и рендеринга.

Эпоха GPU

Для начала вспомним, что же такое GPU. Graphics Processing Unit — это графический процессор широко используемый в настольных и серверных системах. Отличительной особенностью этого устройства является ориентированность на массовые параллельные вычисления. В отличие от графических процессоров архитектура другого вычислительного модуля CPU (Central Processor Unit) предназначена для последовательной обработки данных.

Первые шаги

Развитие видеопроцессоров на ранних этапах было тесно связано с нарастающей потребностью в отдельном вычислительном устройстве для обработки двух и трехмерной графики. До появления отдельных схем видеоконтроллеров в 70-х годах вывод изображения осуществлялся через использование дискретной логики, что сказывалось на увеличенном энергопотреблении и больших размерах печатных плат. Специализированные микросхемы позволили выделить разработку устройств, предназначенных для работы с графикой, в отдельное направление.

Следующим революционным событием стало появление нового класса более сложных и многофункциональных устройств — видеопроцессоров. В 1996 году компания 3dfx Interactive выпустила чипсет Voodoo Graphics, который быстро занял 85% рынка специализированных видеоустройств и стал лидером в области 3D графики того времени.

В 2006 году NVIDIA объявила о выпуске линейки продуктов GeForce 8 series, которая положила начало новому классу устройств, предназначенных для общих вычислений на графических процессорах (GPGPU). В ходе разработки NVIDIA пришла к пониманию, что большее число ядер, работающих на меньшей частоте, более эффективны для параллельных нагрузок, чем малое число более производительных ядер.

Признанный лидер

Различия в изначальной постановке задач перед CPU и GPU привели к значительным расхождениям в архитектуре устройств — высокая частота против многоядерности. Для графических процессоров это заложило вычислительный потенциал, который в полной мере реализуется в настоящее время. Видеопроцессоры с внушительным количеством более слабых вычислительных ядер отлично справляются с параллельными вычислениями. Центральный же процессор, исторически спроектированный для работы с последовательными задачами, остается лучшим в своей области.

Для примера сравним значения в производительности центрального и графического процессора на выполнении распространенной задачи в нейронных сетях — перемножении матриц высокого порядка. Выберем следующие устройства для тестирования:

• CPU. Intel Xeon E5-2680 v4 — 28 потоков с HyperThreading, 2.4 GHZ;
• GPU. NVIDIA GTX 1080 — 2560 CUDA Cores, 1607 Mhz, 8GB GDDR5X.

Линия графика, выделенная оранжевым, показывает время, которое требуется для создания данных в обычном ОЗУ, передачу их в память GPU и последующие вычисления. Зеленая линия показывает время, которое требуется на вычисление данных, которые были сгенерированы уже в памяти видеокарты (без передачи из ОЗУ).

Синяя отображает время подсчета на центральном процессоре. Матрицы порядка менее 1000 элементов перемножаются на GPU и CPU почти за одинаковое время. Разница в производительности хорошо проявляется с матрицами размерами более 2000 на 2000, когда время вычислений на CPU подскакивает до 1 секунды, а GPU остается близким к нулю.

Более сложные и практические задачи эффективнее решаются на устройстве с графическими процессорами, чем без них. Поскольку проблемы, которые решают наши клиенты на оборудовании с GPU, очень разнообразны, мы решили выяснить, какие самые популярные сценарии использования существуют.

Лучший процессор (CPU) для 3d моделирования и рендеринга

Для активной работы

• Intel i9 9900K, 8 ядер, базовая частота 3,6 GHz, 5 GHz TurboBoost• Intel i7 9700K, 8 ядер, базовая частота 3,6 GHz, 4,9 GHz TurboBoost• Intel i7 8700K, 6 ядер, базовая частота 3,7 GHz, 4,7 GHz TurboBoost• Intel i7 8086K, 6 ядер, базовая частота 4 GHz, 5 GHz TurboBoost• AMD Ryzen 2700X, 8 ядер, базовая частота 3,7 GHz, 4,3 GHz TurboBoost

Из более дешевых вариантов примечателен i7-7700K 4,2 Ghz стандартная частота, до 4,5 Ghz в бусте. Мы не можем рассмотреть все процессоры на все бюджеты, но при выборе в рамках тех денег, которыми вы располагаете, можете опираться на сам подход – нужна именно максимальная частота ядер, а не их количество.

Для рендеринга

Если у вас ситуация противоположная и больше времени уходит на рендеринг на компьютере, а не на активную работу с графикой или речь идет о сборе отдельной машины, которая будет использоваться только для рендеринга проектов, ищем процессоры с максимальным количеством ядер.

AMD Threadripper 2920X, 2950X, 2970WX и 2990WX c 12-32 ядрами лучший выбор на рынке.Можно посмотреть на Intel i9 9900X, 9920X, 9960X, 9980XE с 10-18 ядрами, но цена будет неоправданно высока при сравнимой или даже более низкой производительности.

Кому в Selectel жить хорошо с GPU?

Первый вариант, который сразу приходит на ум и оказывается правильной догадкой — это майнинг, однако любопытно отметить, что некоторые применяют его как вспомогательный способ загрузить оборудование на «максимум». В случае аренды выделенного сервера с видеокартами, время свободное от рабочих нагрузок используется для добычи криптовалют, не требующих специализированных установок (ферм) для своего получения.

Ставшие уже в какой-то степени классическими, задачи, связанные с графической обработкой и рендерингом, неизменно находят свое место на серверах Selectel с графическими ускорителями. Использование высокопроизводительного оборудования для таких задач позволяет получить более эффективное решение, чем организация выделенных рабочих мест с видеокартами.

В ходе разговора с нашими клиентами мы также познакомились с представителями Школы анализа данных Яндекс, которая использует мощности Selectel для организации тестовых учебных сред. Мы решили узнать побольше о том, чем занимаются студенты и преподаватели, какие направления машинного обучения сейчас популярны и какое будущее ожидает индустрию, после того как молодые специалисты пополнят ряды сотрудников ведущих организаций или запустят свои стартапы.

Видеокарта для вьюпорта

С одной стороны, задумав купить видеокарту, вы уже знаете, какую сумму готовы потратить. С другой — цена не всегда соответствует производительности. Видеокарта стоимостью 10 000 рублей может выдавать в игре 45 кадров в секунду, но другая карта стоимостью в 8 000 рублей выдаст в той же игре и при тех же настройках 42 кадра.

На скриншоте выше самая слабая видеокарта стоит 9900 рублей. Видеокарта быстрее её на 20-30% — стоит 10 300 рублей. Видеокарта быстрее обоих этих вариантов на 40-50% стоит 12 500 рублей. Небольшой разброс по цене, но очень большая разница в играх!

На скриншоте выше — три версии видеокарты на одном и том же графическом чипе. Самая дешевая из них стоит 18 500 рублей, при этом отличается неплохим кулером, и даже поставила несколько рекордов разгона. Карта посередине стоит 21 000 рублей, при этом по всем параметрам, кроме репутации вендора, катастрофически проигрывает. А разница по цене с самой топовой видеокартой из представленных — всего 1000 рублей.

Именно поэтому никогда не стоит упираться в единственный вариант — всегда могут быть более выгодные альтернативы. Даже если вам кажется, что выбранный вами вариант оптимален по всем параметрам — это может оказаться не так. Всегда оставляйте себе небольшой финансовый запас для маневров, обязательно следите за скидками и акциями магазина, а также интересуйтесь сроками выхода новинок – с появлением даже просто новых моделей на чипах текущего поколения (не говоря уже о полностью новых семействах!) ценовая политика вендора может заметно измениться, а на действия одного производителя обязательно отреагируют конкуренты.

Кроме того, не постесняйтесь узнать, сколько стоит на рынке б/у комплектующих ваша нынешняя видеокарта. Не исключено, что её продажа позволит добавить значительную сумму к бюджету на покупку новой карты.

Производительность

За какую бы цену вы ни выбирали видеокарту — она всегда должна отрабатывать каждый вложенный рубль, это даже не нужно аргументировать.

Но не стоит оценивать производительность по отзывами и комментариям в стиле «(название_игры) литаит на ультрах!». Их можно написать про какое угодно устройство. Да и, как правило, пользователи могут сравнить свою покупку — только с их старой видеокартой, которая может быть старше новинки сразу на несколько поколений. Естественно, это не даст вам понять, как предмет отзыва выглядит на фоне прямых конкурентов.

Ваш вариант — прямые сравнительные тестирования, проводимые авторитетными изданиями при участии если не всех, то большинства конкурирующих решений.

На скриншоте выше — пример реального тестирования отдельно взятой видеокарты. Несколько разрешений, множество конкурентов, которые стоят совершенно разных денег. Легко понять, что вы получите, купив ту или иную карту, и стоит ли она своих денег.

Поскольку обычно именно процессор выступает узким местом в производительности вьюпорта, выбор видеокарты, как правило, не даст большой разницы, при условии что вы выбираете из актуальных и достаточно производительных.Нечасто бывает в 3d приложениях, чтобы видеокарта обрабатывала данные медленнее, чем CPU обновлял меши, деформеры и прочие элементы.

Проще говоря, это обычно видеокарта вынуждена ждать процессор, а не наоборот. К исключениям можно отнести проекты с тяжелыми отражениями, антиальянсингом и похожими вещами во вьюпорте – тогда стоит брать GPU помощнее. Или если у вас высокополигональные RAW меши по 50 млн полигонов с минимум модификаторов – тогда да, система упрется в максимальную производительность видеокарты раньше, чем в процессор.

Наука о данных

Пожалуй, среди наших читателей не найдется тех, кто не слышал бы словосочетания «нейронные сети» или «машинное обучение». Отбросив маркетинговые вариации на тему этих слов, получается сухой остаток в виде зарождающейся и перспективной науки о данных.

Современный подход к работе с данными включает в себя несколько основных направлений:

• Большие данные (Big Data). Основная проблема в данной сфере — колоссальный объем информации, который не может быть обработан на единственном сервере. С точки зрения инфраструктурного обеспечения, требуется решать задачи создания кластерных систем, масштабируемости, отказоустойчивости, и распределенного хранения данных;
• Ресурсоемкие задачи (Машинное обучение, глубокое обучение и другие). В этом случае поднимается вопрос использования высокопроизводительных вычислений, требующих большого количества ОЗУ и процессорных ресурсов. В таких задачах активно используются системы с графическими ускорителями.

Граница между данными направления постепенно стирается: основные инструменты для работы с большими данным (Hadoop, Spark) внедряют поддержку вычислений на GPU, а задачи машинного обучения охватывают новые сферы и требуют бо́льших объемов данных. Разобраться подробнее нам помогут преподаватели и студенты Школы анализа данных.

Трудно переоценить важность грамотной работы с данными и уместного внедрения продвинутых аналитических инструментов. Речь идёт даже не о больших данных, их «озерах» или «реках», а именно об интеллектуальном взаимодействии с информацией. Происходящее сейчас представляет собой уникальную ситуацию: мы можем собирать самую разнообразную информацию и использовать продвинутые инструменты и сервисы для глубокого анализа.

Новое направление

Повсюду нас окружает информация: от логов интернет-компаний и банковских операций до показаний в экспериментах на Большом адронном коллайдере. Умение работать с этими данными может принести миллионные прибыли и дать ответы на фундаментальные вопросы о строении Вселенной. Поэтому анализ данных стал отдельным направлением исследований среди бизнес и научного сообщества.

Школа анализа данных готовит лучших профильных специалистов и ученых, которые в будущем станут основным источником научных и индустриальных разработок в данной сфере. Развитие отрасли сказывается и на нас как на инфраструктурном провайдере — все больше клиентов запрашивают конфигурации серверов для задач анализа данных.

От специфики задач, стоящих перед нашими клиентами, зависит то, какое оборудование мы должны предлагать заказчикам и в каком направлении следует развивать нашу продуктовую линейку. Совместно со Станиславом Федотовым и Олегом Ивченко мы опросили студентов и преподавателей Школы анализа данных и выяснили, какие технологии они используют для решения практических задач.

За время обучения слушатели от основ (базовой высшей математики, алгоритмов и программирования) доходят до самых передовых областей машинного обучения. Мы собирали информацию по тем, в которых используются серверы с GPU:

• Глубинное обучение;
• Обучение с подкреплением;
• Компьютерное зрение;
• Автоматическая обработка текстов.

Студенты используют специализированные инструменты в своих учебных заданиях и исследованиях. Некоторые библиотеки предназначены для приведения данных к необходимому виду, другие предназначены для работы с конкретным типом информации, например, текстом или изображениями. Глубинное обучение — одна из самых сложных областей в анализе данных, которая активно использует нейронные сети. Мы решили узнать, какие именно фреймворки преподаватели и студенты применяют для работы с нейронными сетями.

Представленные инструменты обладают разной поддержкой от создателей, но тем не менее, продолжают активно использоваться в учебных и рабочих целях. Многие из них требуют производительного оборудования для обработки задач в адекватные сроки.

Как и любая наука, направление анализа данных будет изменяться. Опыт, который получают студенты сегодня, несомненно войдет в основу будущих разработок. Поэтому отдельно стоит отметить высокую практическую направленность программы — некоторые студенты во время учебы или после начинают стажироваться в Яндексе и применять свои знания уже на реальных сервисах и службах (поиск, компьютерное зрение, распознавание речи и другие).

О будущем анализа данных мы поговорили с преподавателями Школы анализа данных, которые поделились с нами своим видением развития науки о данных.

По мнению Влада Шахуро, преподавателя курса «Анализ изображений и видео», самые интересные задачи в компьютерном зрении — обеспечение безопасности в местах массового скопления людей, управление беспилотным автомобилем и создание приложение с использованием дополненной реальности. Для решения этих задач необходимо уметь качественно анализировать видеоданные и развивать в первую очередь алгоритмы детектирования и слежения за объектами, распознавания человека по лицу и трехмерной реконструкции наблюдаемой сцены.

Сколько и какой оперативной памяти (RAM) нужно для 3D моделирования и рендеринга?

Как и при выборе CPU, количество и тип RAM памяти во многом определяется основными сценариями использования и довольно индивидуально. Тут могут быть и мелкие и легкие сцены, которые требуют совсем немного памяти и огромные проекты с кучей высокополигональных моделей, что напротив требует значительных вложений в оперативную память для комфортной работы.

В среднем по больнице, на данный момент для работы с графикой хорошо иметь 32 Gb RAM. Это закрывает потребности подавляющего количества визуализаторов. Если вы работаете с высокополигональными мешами, используете большие текстуры и работаете со сложными сценами с тысячами объектов, то скорее всего стоит подумать о 64 Gb RAM.

На частоту и тайминги оперативной памяти не стоит обращать большого внимания, в наших задачах выбор между разными вариантами не дает существенного прироста производительности. И даже покупка более дорогой DDR4-4166 не даст заметной разницы относительно DDR4-2666. Берите DDR4-2666 и не забивайте себе голову.

Незначительная разница действительно существует, но в рамках текущего обзора мы опустим прирост в пару процентов, чтобы не усложнять. Отмечу только, что для AMD Threadripper высокая частота памяти значительно важнее, чем для процессоров Intel. Если у вас Threadripper то покупка памяти четырех канальной с частотой 2933 Mhz действительно даст несколько процентов производительности.

На мой взгляд, это предпочтительный вариант и лучше чтобы весь объем памяти был куплен одним набором. Наборы оперативной памяти уже протестированы на заводе-изготовителе и есть гарантия, что они будут идеально взаимодействовать вместе.Часто на покупке достаточного количества памяти визуализаторы экономят в расчете докупить памяти потом, что приводит к появлению в системе разных модулей памяти и даже от разных производителей, что может являться причиной просадки производительности.

В общем если вам нужно, например, 32 Gb RAM – берите набор 4х8Gb или 2х16, но никак не два РАЗНЫХ набора 2х8 Gb RAM. Почему это важно? Разные модули даже под одной маркой и моделью могут быть произведены на разных заводах, разных линиях, из разного кремния, в разное время и тайминги могут отличаться. Берите единый набор – там подобный сценарий исключен, все протестировано производителем.

Отличные отзывы о оперативной памяти производства ADATA, G.Skill, Crucial и Corsair – выбирайте любого из производителей, не промахнетесь.

Вместо заключения

Рост рынка графических процессоров обеспечивается возрастающим интересом к возможностям таких устройств. GPU применяется в домашних игровых системах, задачах рендеринга и видеообработки, а также там, где требуются общие высокопроизводительные вычисления. Практическое применение задач интеллектуального анализа данных будет проникать все глубже в нашу повседневную жизнь. И выполнение подобных программ наиболее эффективно осуществляется именно с помощью GPU.

Мы благодарим наших клиентов, а также преподавателей и студентов Школы анализа данных за совместную подготовку материала, и приглашаем наших читателей познакомиться с ними поближе.

А опытным и искушенным в сфере машинного обучения, анализа данных и не только мы предлагаем посмотреть предложения от Selectel по аренде серверного оборудования с графическми ускорителями: от простых GTX 1080 до Tesla P100 и K80 для самых требовательных задач.

Лучшая материнская плата для 3d моделирования и рендеринга

Материнская плата гораздо меньше других комплектующих влияет на конечную производительность компьютера при рендеринге и работе в 3d приложениях, но важно убедиться, что выбранная мать поддерживает все что нужно:• Поддержка нужного CPU сокета: у разных процессоров разные сокеты для подключения, поэтому важно убедиться, что выбранная материнская плата имеет требуемый слот для процессора.

Лучший диск для 3d моделирования и рендеринга

Производительность накопителя при работе с графикой влияет на следующие моменты:• Сохранение и загрузка файлов сцены• Хранение и загрузка текстур, ассетов и прочего• Файл подкачки (своп файл) если RAM не хватает• Запуск самого софта

Все достаточно просто: если хотите, чтобы загрузка сцен и сохранение сцен происходили быстро, берем быстрый накопитель. С другой стороны, даже самый быстрый диск имеет мало значения после того как сцена загружена и крутится уже в оперативной памяти.

Большинству визуализаторов подойдет вариант с производительным SSD для операционной системы и установки графического софта, хранения актуальной сцены в работе. Для такого варианта выбирайте SSD на 500 Gb – 1 Tb, благо цены на SSD большой емкости значительно снизились в последнее время. А для хранения ассетов, архива, бекапов и прочего добра можно взять дополнительный жесткий диск HDD на 1-2 Tb.

Если хочется еще большей производительности от дисковой системы и есть дополнительные деньги, можно рассмотреть PCI-E M.2 SSD диски, которые в несколько раз быстрее обычных SSD, но и по цене кусаются.

Вот мы и коснулись всех основных комплектующих, которые определяют производительность лучшего компьютера для 3d графики и рендеринга. Отдельной статьей я опишу конкретные сборки компьютера по состоянию на 2019 год и лучший компьютер GPU рендеринга.