Видеокарта nvidia tesla k80 24 гб подходит ли для майнинга

Minergate Forum

Forum of the best Mining Pool ever.

Майнинг на Nvidia tesla k80

Майнинг на Nvidia tesla k80

Post by ahtss » Sat Nov 05, 2016 12:03 pm

Re: Майнинг на Nvidia tesla k80

Post by DarkAngel » Tue Nov 08, 2016 3:18 pm

Tox ID: 2BC3F23E7825312742A5D2A1C336A00EAA6F34B35271F6E0199B995CF9FA296D4BFB1DE35FC6

Совет новичкам: ищите мои сообщения на форуме по ключевому слову FAQ.

Re: Майнинг на Nvidia tesla k80

Post by kuzmich » Thu Apr 13, 2017 1:47 pm

Re: Майнинг на Nvidia tesla k80

Post by DarkAngel » Sat Apr 15, 2017 8:18 am

Всё описанное выше проверялось мной экспериментально.

Tox ID: 2BC3F23E7825312742A5D2A1C336A00EAA6F34B35271F6E0199B995CF9FA296D4BFB1DE35FC6

Совет новичкам: ищите мои сообщения на форуме по ключевому слову FAQ.

Re: Майнинг на Nvidia tesla k80

Post by Tyken » Sun Apr 16, 2017 4:10 pm

Всё описанное выше проверялось мной экспериментально.

Нет ли опыта в майнинге на Тесле M2050? что-то не получается адекватно настроить, либо ооочень малая мощность.

Re: Майнинг на Nvidia tesla k80

Post by DarkAngel » Fri Apr 21, 2017 5:20 am

Всё описанное выше проверялось мной экспериментально.

Нет ли опыта в майнинге на Тесле M2050? что-то не получается адекватно настроить, либо ооочень малая мощность.

Подробнее опиши пожалуйста. Как и на чём запускаешь?

Tox ID: 2BC3F23E7825312742A5D2A1C336A00EAA6F34B35271F6E0199B995CF9FA296D4BFB1DE35FC6

Совет новичкам: ищите мои сообщения на форуме по ключевому слову FAQ.

Re: Майнинг на Nvidia tesla k80

Post by kuzmich » Mon Apr 24, 2017 9:48 pm

Re: Майнинг на Nvidia tesla k80

Post by DarkAngel » Tue Apr 25, 2017 8:41 am

Майнинг на видеокартах nVidia возможен благодаря программно-аппаратной технологии параллельных вычислений CUDA.
Данная технология впервые появилась в GPU G80 (8xxx серия) и усовершенствовалась по мере развития видео-ускорителей.
CUDA характеризуется в первую очередь версией компьютинга (вычислительными возможностями потоковых процессоров).

CUDA 1.0
GPU: G80, G92, G92b, G94, G94b
Устройства: GeForce 8800GTX/Ultra, Tesla C/D/S870, FX4/5600, 360M, GT 420

CUDA 1.1
GPU: G86, G84, G98, G96, G96b, G94, G94b, G92, G92b
Устройства: GeForce 8400GS/GT, 8600GT/GTS, 8800GT/GTS, 9400GT, 9600 GSO, 9600GT, 9800GTX/GX2, 9800GT, GTS 250, GT 120/30/40, FX 4/570, 3/580, 17/18/3700, 4700×2, 1xxM, 32/370M, 3/5/770M, 16/17/27/28/36/37/3800M, NVS420/50

CUDA 1.2
GPU: GT218, GT216, GT215
Устройства: GeForce 210, GT 220/40, FX380 LP, 1800M, 370/380M, NVS 2/3100M

CUDA 1.3
GPU: GT200, GT200b
Устройства: GeForce GTX 260, GTX 275, GTX 280, GTX 285, GTX 295, Tesla C/M1060, S1070, Quadro CX, FX 3/4/5800

Всё, на что способны эти устройства, это добыча монет, построенных на алгоритмах SHA-256 (например, Bitcoin) и Scrypt (например, Litecoin). Однако, наличие ASIC устройств для этих алгоритмов делает перечисленные видеокарты бесполезными в майнинге. Возможно, есть какие-то экзотические алгоритмы под данные версии CUDA-компьютинга, но мне о них не известно.

CUDA 2.0
GPU: GF100, GF110
Устройства: GeForce (GF100) GTX 465, GTX 470, GTX 480, Tesla C2050, C2070, S/M2050/70, Quadro Plex 7000, Quadro 4000, 5000, 6000, GeForce (GF110) GTX 560 TI 448, GTX570, GTX580, GTX590

CUDA 2.1
GPU: GF104, GF114, GF116, GF108, GF106
Устройства: GeForce 610M, GT 430, GT 440, GT 610, GT 640, GTS 450, GTX 460, GTX 550 Ti, GTX 560, GTX 560 Ti, 500M, Quadro 600, 2000

Устройства со второй версией компьютинга уже способны добывать монеты на алгоритме Cryptonight. Но с нюансами.
Требуется использовать ccminer-cryptonight (хотя, вероятно, это тоже не панацея), либо экспериментировать с другими майнерами.
Мне удалось запустить майнинг на некоторых картах с GUI MG 5.04.

CUDA 3.0
GPU: GK104, GK106, GK107
Устройства: GeForce GTX 690, GTX 680, GTX 670, GTX 660 Ti, GTX 660, GTX 650 Ti, GTX 650, GeForce GTX 680MX, GeForce GTX 680M, GeForce GTX 675MX, GeForce GTX 670MX, GTX 660M, GeForce GT 650M, GeForce GT 645M, GeForce GT 640M

CUDA 3.5
GPU: GK110, GK208
Устройства: GeForce GTX TITAN, GeForce GTX TITAN Black, GeForce GTX 780 Ti, GeForce GTX 780, GeForce GT 640 (GDDR5), GeForce GT 630 v2, Quadro K6000, Tesla K40, Tesla K20x, Tesla K20

CUDA 5.0
GPU: GM107, GM108
Устройства: GeForce GTX 750 Ti, GeForce GTX 750 , GeForce GTX 860M, GeForce GTX 850M, GeForce 840M, GeForce 830M

Эти устройства, как правило, работают и с ccminer-cryptonigh и с майнером MG при корректно установленных необходимых программных компонентах.

Насчёт более современных устройств. Я попробовал запустить ccminer-cryptonigh с GeForce GTX 1080 (CUDA 6.1) и, увидев хешрейт, решил что добыча «криптоновых» этими картами не очень хорошая идея. Возможно, что-то не так сделал, но экспериментировать нет ни желания, ни времени.

Более подробно про технологию CUDA: https://ru.wikipedia.org/wiki/CUDA
Более полный список устройств (кроме CUDA 1.x): https://developer.nvidia.com/cuda-gpus

Tox ID: 2BC3F23E7825312742A5D2A1C336A00EAA6F34B35271F6E0199B995CF9FA296D4BFB1DE35FC6

Совет новичкам: ищите мои сообщения на форуме по ключевому слову FAQ.

Источник

Майнинг на профессиональных видеокартах

Очень часто задаю вопрос, а стоит ли майнить на профессиональных видеокартах? Выдадут ли Tesla или Quadro, Radeon PRO лучший результат, чем обычные потребительские видеокарты? Думаю, пора раскрыть этот вопрос. Если толком не понимаете, что такое майнинг, лучше ознакомьтесь с более подробной информацией о нем на сайте: https://spzp.ru/ Там раскрыты многие аспекты работы с криптовалютой.

Но, на правах человека, работающего с профессиональной техникой, постараюсь объяснить, почему профессиональные видеокарты — плохой вариант для майнинга. Исключение, если достались за бесплатно, но тогда выгодней продать и купить кучу обычных видеокарт.

UPD для тех, кто пишет «посмотри на цены обычных видеокарт»: эта статья написана в 2019 году, соответственно, тогда цены на видеокарты пользовательского сегмента были адекватными.

Результативность

Д а, на данный момент Tesla V100 – одна из самых производительных карт для майнинга. Почему? Все довольно просто. TDP – 250 вт, 14 терафлопс для операций одинарной точности и 7 для двойной, а если использовать NVlink, то и того больше . Эта видеокарта создана для вычислений. А майнинг, по сути, и есть высокопроизводительные вычисления.

Например, разнообразные тесты в майнинге Ethereum показывают результаты от 8 0 Mh/s при TDP 150Вт и до 92 при TDP от 250 до 300 вт. Выглядит серьезно. Получается, что Nvidia Tesla V100 самая энергоэффективная карта на текущий момент. Но есть аспекты, которые способны смутить — стоимость около 8000 $, плохая доступность в розничной продаже. Фактически, с экономической точки зрения, профессиональная вычислительная плата является нецелесообразной. Дорого, очень долгая окупаемость.

П осмотрите на таблицу, приведенную ниже.

Например, результаты GTX 1080ti, который в стоке дает 35 Mh/s, а в разгоне можно вытянуть до 50. При этом, на 8000 баксов можно прикупить около 8 видеокарт, при этом еще сдача останется. Конечно, энергоэффективность решения получится ниже. Но даже в стоке 8 видеокарт дадут около 260 мегахешей в секунду и это с учетом потерь. То бишь, при той же стоимости эффективность будет выше, срок окупаемости ниже, соответственно, расход электроэнергии окупится лучше, чем от одной Теслы.

А если посмотреть на 1070, которая в стоке дает 28,5 и стоит около 400 долларов? Еще интереснее, ведь получится 20 видеокарт, которые дадут около 480 хешей с учетом потерь. Энергопотребление выросло, но скорость окупаемости снизилась. Шикарно.

Quadro, Tesla , даже Titan имеют сейчас стоимость далеко за тысячу долларов. Только стоимость делает данные видеокарты неэффективными. Например Titan Xp имеет стоимость около 1500 $ и выдает около 50 мегахешей при майне эфира. Radeon Vega 64 выдает те же результаты, но стоит около 500 долларов. Выбор явно очевиден. Профессиональные видеокарты проиграли чисто экономически.

Как видите, использовать профессиональные видеокарты для майнинга попросту не выгодно. Они шустрее, энергоэффективнее, но заточены под другие задачи, имеют очень высокую стоимость, которая значительно повышает время окупаемости. Потому, в майнинге криптовалют продолжают упорно лидировать видеокарты потребительского сегмента, способные дать высокие результаты за счет количества и малой цены.

Насколько публикация полезна?

Нажмите на звезду, чтобы оценить!

Средняя оценка 4.1 / 5. Количество оценок: 18

Источник

Актуальная таблица с хешрейтом видеокарт на 2021 год

Начало 2021 года отметилось очередным повышением интереса к майнингу криптовалют, но как и предыдущие 5 лет основное внимание майнеров занимают только две криптовалюты: Ethereum и Bitcoin. Ethereum как и прежде майнеры добывают с помощью видеокарт, а Bitcoin все так же под ASIC майнерами. Если с майнингом Bitcoin все стабильно и прогнозируемо в плане подбора оборудования, т.к. производители ASIC майнеров SHA-256 уже давно не устраивали революций и каждое новое поколение ASIC чуть лучше другого. То ситуация с майнингом на видеокартах постоянно меняется, т.к. за прошедший год поступили в продажу видекоарты AMD и Nvidia нового поколения, которые могут предложить намного большую энергоэффективность, чем видеокарты выпущенные всего год назад. Кроме этого можно наблюдать все более сильное разделение майнеров на две касты. Тех кто может добывать эфириум на своем оборудовании и тех кто нет. И этот «водораздел» проходит на границе 5Gb видеопамяти, т.к. для майнинга Ethereum на начало 2021 года нужно именно столько видеобуфера.

И под это ограничение появляются новые проекты криптовалют, майнинг которых ориентирован на видеокарты с большим количеством видеопамяти (8Gb и больше), например, Octopus, GRIN, Cortex. Но есть проекты, которые наоборот готовы бороться за внимание владельцев видеокарт с 4Gb видеопамяти и меньше. Наиболее яркий пример это переход Ethereum Classic с алгоритма майнинга Ethash на ETCHash, что бы майнинг этой криптовалюты стал вновь доступен на видеокартах с 3Gb и 4Gb видеопамяти. Сюда же можно отнести и недавний хардфорк старенькой криптовалюты VertCoin, с новым алгоритмом майнинга Verthash.

Кроме исключения из майнинга Ethereum всех видеокарт с 4Gb видеопамяти еще одним неприятным сюрпризом 2020 года стало постепенное снижение хешрейта на алгоритме Ethash видеокарт Nvidia Geforce GTX 1000 серии. Если еще в начале года топовая видеокарта этой серии GTX 1080Ti выдавала 55MH/s на стандартной частоте GPU, то сейчас эта же видеокарта выдает 50MH/s, но при этом необходимо так же поднимать частоту GPU до максимально возможных значений. И эта тенденция уменьшения хешрейта продолжится и в 2021 году с ростом эпохи (увеличением DAG файла) у криптовалюты Ethereum. Аналогичная ситуация складывается так же и у видеокарт GTX 1080, GTX 1070, GTX 1060.

Что бы владельцы майнинг ригов на видеокартах не расслаблялись и постоянно держали себя в тонусе, масла в огонь подкидывают еще разработчики программ для майнинга, постоянно внедряя новые возможности и оптимизируя код как под старые, так и под новые алгоритмы. Одним из таких откровений стал TeamRedMiner 0.8.0, который значительно улучшил характеристики видеокарт AMD в майнинге Ethereum, чего в принципе никто не ожидал, т.к. алгоритм майнинга ETHash (dagger-hashimoto) известен с 2015 года и казалось, что кардинально нового здесь уже ничего не будет.

Ознакомиться с таблицей хешрейтов видеокарт за прошлый 2020 год можно по этой ссылке

Уникальный Ethereum майнинг пул с возможностью торговли, вывода на банковску карту и получения дохода

2021 год в майнинге, мы уверены, будет не менее насыщенным на новые модели видеокарт, новые версии майнеров и новые криптовалюты. Поэтому будем держать Вас в курсе всех основных изменений, которые будут в этом году.

Источник

Бесплатная GPU Tesla K80 для ваших экспериментов с нейросетями

Около месяца назад Google сервис Colaboratory, предоставляющий доступ к Jupyter ноутбукам, включил возможность бесплатно использовать GPU Tesla K80 с 13 Гб видеопамяти на борту. Если до сих пор единственным препятствием для погружения в мир нейросетей могло быть отсутствие доступа к GPU, теперь Вы можете смело сказать, “Держись Deep Learning, я иду!”.

Я попробовал использовать Colaboratory для работы над kaggle задачами. Мне больше всего не хватало возможности удобно сохранять натренированные tensorflow модели и использовать tensorboard. В данном посте, я хочу поделиться опытом и рассказать, как эти возможности добавить в colab. А напоследок покажу, как можно получить доступ к контейнеру по ssh и пользоваться привычными удобными инструментами bash, screen, rsync.

Для начала, почему это интересно

Наличие GPU ускорителя является критическим фактором для скорости обучения deep learning моделей. Без GPU обучение нейросети займет многие часы/дни и не позволит полноценно экспериментировать со структурой сети. Объем видеопамяти так же важен. Больше памяти — можно установить больший размер батча и использовать более сложные модели. На сегодняшний день 13G это хороший объем, если захотите получить примерно столько же у себя на столе, придется покупать GPU уровня GTX 1080 Ti.

Что такое Colaboratory

Это форк популярной среды Jupyter notebook. Ваши ноутбуки доступны через google drive в .ipynb формате и вы можете их запускать у себя локально. Поддерживается Python 2.7 и 3.6. Код исполняется на сервере в docker контейнере. Можно закрыть браузер, все процессы на сервере продолжат работать, позже можно подключиться к серверу снова. Docker контейнер выдается вам во временное пользование на 12 часов. Вы имеете root привилегии, и можете устанавливать и запускать любые программы внутри контейнера. Colaboratory (далее colab) также поддерживает совместную работу над ноутбуком, по типу google docs. Это отличная платформа для начала изучения deep learning, machine learning. Многие бесплатные курсы, например Открытый курс машинного обучения используют Jupyter notebook формат для своих учебных материалов.

Запускаем обучение

Для создания нового ноутбука перейдите по ссылке. После успешного логина и создания ноутбука в меню выберете Runtime -> Change Runtime Type, в открывшемся диалоге в опции Hardware acceleration установите GPU, далее save.

После этого можно удостовериться, что tensorflow использует GPU. Просто скопируйте этот код в первую ячейку ноутбука и выполните, нажав shift+Enter:

Теперь попробуем запустить простую модель tensorflow из примеров, для этого клонируем github репозиторий и запустим скрипт.

После выполнения это команды мы увидим как сеть обучиться и сделает первые предсказания. Существует достаточно много материалов описывающих возможности Jupyter, поэтому я не буду подробно на этом останавливаться.

Монтируем google drive

Всё работает отлично, но через 12 часов виртуальную машину у вас заберут и все данные внутри контейнера будут потеряны. Хорошо бы позаботиться о постоянном хранилище. В colab есть примеры как использовать импортировать данные из cloud storage, google sheets. Это предполагает явный вызов операции копирования, а мне бы хотелось иметь возможность примонтировать внешний диск к файловой системе внутри контейнера, тут на помощь приходит google drive и FUSE драйвер для него. Подключить google drive можно выполнив код, по рецепту из статьи

После этого вам будет доступна директория куда вы можете записывать данные, без опаски их потерять после остановки контейнера. Вы можете определить параметр model_dir в конфигурации модели, tensorflow будет автоматически восстанавливать состояние модели из последнего checkpoint. Таким образом, вы можете продолжить обучение модели или запустить inference в любой момент.

Tensorboard

Я люблю использовать tensorboard в процессе экспериментов со структурой и параметрами нейросети. Если вы хотите узнать больше об этом инструменте рекомендую посмотреть презентацию. Поэтому, я искал возможность, как можно запустить tensorboard в colab. Ответ нашелся на SO. Через переменную LOG_DIR вам необходимо задать путь к model_dir из конфигурации tensorflow модели, либо к корневой директории внутри которой содержиться множество сохраненных моделей.

После выполнения в последней строчке будет выведен URL, открыв который в браузере, мы увидим привычный нам tensorboard.

Доступ по ssh

Если у вас есть опыт использования Jupyter. То вы вероятно знаете, что выйдя за рамки игрушечных моделей, некоторые преимущества формата jupyter ноутбука становятся его недостатками. Ноутбук превращается в сложно читаемую кашу, результаты вычислений становится трудно воспроизвести. Jupyter ноутбуки остаются отличным инструментом для обучения, визуализации и небольших экспериментов. Однако, в средних по величине проектах, я предпочитаю структурировать python код классическим способом, используя разбиение на модули и классы. Работать на серьезным проектом удобнее в PyCharm / Vim и т.д… Постоянно синхронизировать код через репозиторий, запускать .py файлы не очень удобно через jupyter, использовать для этого привычные инструменты намного комфортнее.
Основываясь на примере запуска tensorboard, я написал код, который открывает ssh туннель в контейнер.

Для создания TCP туннеля вам потребуется создать аккаунт на сайте ngrok.com и скопировать authtoken оттуда. В бесплатной версии ngrok два тунеля не поддерживаются, поэтому если http тунель на tensorboard всё еще работает, вам надо его отключить, можно это сделать например перезапустив контейнер, нажав Ctrl+M затем «.».

После запуска тунеля вы увидите в ноутбуке, примерно следующее

Теперь с рабочего компьютера вы сможете залогиниться в colab контейнер используя любой ssh клиент и в данном примере хост 0.tcp.ngrok.io, порт 15223. Пример для linux

Бонус для каглеров, для импортирования данных из kaggle и отсылки submit прямо из colaboratory вы можете использовать официальный API клиент, устанавливается командой pip install kaggle.

Источник