# 簡單的專有名詞介紹
[toc]
### FLOPS

FLOPS（每秒浮點運算次數）是一個衡量計算機效能的單位，尤其用於科學計算和高性能計算中。FLOPS的計算著重於每秒可以執行的浮點數運算次數。

以下是一些基本概念和要點：

1. 意義：FLOPS主要用於評估計算機硬件，如處理器和超級計算機，在進行浮點數運算時的效能。

2. 不同於Hz：FLOPS和Hz（赫茲）是兩種不同的單位。Hz衡量的是每秒的時脈週期次數，而FLOPS則評估的是每秒可以執行的浮點數運算次數。一個處理器的時脈速率（例如3 GHz）並不能直接轉換為FLOPS，因為一個時脈週期內處理器可能執行多個或少於一個的浮點運算。

3. 單位：FLOPS有多種單位，從基本的FLOPS（每秒1次浮點運算）到更高的單位，如kiloFLOPS（kFLOPS，每秒1千次）、megaFLOPS（MFLOPS，每秒1百萬次）、gigaFLOPS（GFLOPS，每秒10億次）、teraFLOPS（TFLOPS，每秒1萬億次）、petaFLOPS（PFLOPS，每秒1千萬億次）等等。

4. 應用：當進行大規模科學計算、模擬或其他需要大量浮點運算的任務時，高FLOPS的計算能力是非常重要的。超級計算機通常會有很高的FLOPS，這使它們能夠處理這些複雜的計算任務。

5. 不僅僅是速度：雖然FLOPS是一個重要的效能指標，但它並不是評估計算機效能的唯一方式。其他因素，如記憶體帶寬、I/O速度、網絡延遲等，也可能影響到應用程序的整體性能。

### Bandwidth (帶寬)

顯示卡記憶體帶寬是指顯示卡的GPU和其記憶體之間每秒可以傳輸的數據量。這個指標通常用GB/s（每秒億位元組）來表示。記憶體帶寬對於顯示卡的性能尤為重要，尤其是在高解析度和高細節的圖形渲染中。

1. 資料運輸：在機器學習模型訓練中，大量的數據需要在GPU和其記憶體之間進行傳輸。如果記憶體帶寬較低，則數據傳輸可能成為瓶頸，影響訓練速度。

2. 大規模模型和數據：隨著機器學習模型和數據集的不斷增大，需要更高的記憶體帶寬來確保效率。例如，當處理大型神經網絡或使用大量圖像的數據集時，高記憶體帶寬尤為重要。

3. 並行運算：現代的GPU設計為高度並行化，能夠同時執行大量的計算任務。但這些並行運算的效益可能會因為不足的記憶體帶寬而受到限制。

4. 實際應用的變化：某些機器學習工作負載可能更加依賴於記憶體帶寬，而其他工作負載則可能不是。因此，在選擇GPU時，需要根據具體的需求來評估。