GPU Cloud · NVIDIA · Pascal

เช่า GPU NVIDIA GTX 1080 รายชั่วโมง

NVIDIA GTX 1080 คือ GPU สถาปัตยกรรม Pascal ระดับคอนซูเมอร์ที่มาพร้อมกับ VRAM 8 GB และ TDP 130 W บน ONIE โดยให้ประสิทธิภาพการคำนวณแบบความแม่นยำเดี่ยวประมาณ 7.8 TFLOPS และแบนด์วิดท์หน่วยความจำประมาณ 227 GB/s ด้วย Compute Capability 6.1 จึงเหมาะสำหรับการพัฒนา CUDA ระดับเริ่มต้น การทำ Inference ขนาดเล็ก และงานเรนเดอร์พื้นฐาน

เช่า GTX 1080

ข้อมูลจำเพาะ

VRAM ต่อ GPU

8 GB

สถาปัตยกรรม

NVIDIA Pascal

Compute capability

6.1

ประสิทธิภาพ FP32

≈ 7.8 TFLOPS

แบนด์วิดท์หน่วยความจำ

≈ 227 GB/s

ขีดจำกัดพลังงาน

130 W

ค่าที่รายงานโดยผู้ให้บริการโครงสร้างพื้นฐานสำหรับเครื่องที่แสดงอยู่ในขณะนี้ ประสิทธิภาพจริงอาจแตกต่างกันไปในแต่ละเครื่อง

คอนฟิกูเรชันที่พร้อมใช้งาน

สต็อกและราคาแบบเรียลไทม์ อัปเดตอย่างต่อเนื่อง ราคาสุดท้ายจะได้รับการยืนยันก่อนที่คุณจะสั่งซื้อ

กำลังโหลดราคาปัจจุบัน…

GTX 1080 เหมาะกับงานอะไรบ้าง

การพัฒนา CUDA ระดับเริ่มต้น

เขียน คอมไพล์ และดีบักโค้ด CUDA สำหรับสถาปัตยกรรม Pascal (Compute Capability 6.1) ผ่านการเข้าถึงด้วย SSH

การทำ Inference โมเดลขนาดเล็ก

รันโครงข่ายประสาทเทียมขนาดกะทัดรัดและโมเดลภาษาที่ผ่านการ Quantize ซึ่งใช้ VRAM ไม่เกิน 8 GB ได้อย่างราบรื่นด้วยเทมเพลต Ollama หรือ PyTorch

การสร้างรูปภาพขั้นพื้นฐาน

ประมวลผลเวิร์กโฟลว์การสังเคราะห์ภาพมาตรฐานใน ComfyUI ที่หน่วยความจำ 8 GB และแบนด์วิดท์ประมาณ 227 GB/s เพียงพอต่อการใช้งาน

Machine Learning แบบดั้งเดิม

ฝึกและประเมินโมเดลข้อมูลตารางหรือโครงข่ายคอนโวลูชันขนาดเล็กด้วยประสิทธิภาพความแม่นยำเดี่ยวประมาณ 7.8 TFLOPS

นี่คือ GPU ที่เหมาะกับคุณหรือไม่?

เลือก GTX 1080 สำหรับการสร้างต้นแบบ การเรียนรู้ และเวิร์กโหลดขนาดเบาที่ใช้ VRAM ไม่เกิน 8 GB และไม่จำเป็นต้องใช้ Tensor Core รุ่นใหม่ แต่ควรเลือก GPU รุ่นที่ใหม่กว่าหรือใหญ่กว่า หากเวิร์กโหลดของคุณต้องการหน่วยความจำมากกว่า 8 GB การเร่งความเร็วแบบความแม่นยำผสม (Mixed-Precision) โดยตรง หรือแบนด์วิดท์หน่วยความจำที่สูงขึ้น

เปรียบเทียบกับ GPU ที่ใกล้เคียง

GPU	VRAM ต่อ GPU	สถาปัตยกรรม	ประสิทธิภาพ FP32	เริ่มต้น / ชั่วโมง	รายละเอียด
GTX 1080	8 GB	Pascal	≈ 7.8 TFLOPS	—
Q RTX 4000	8 GB	Turing	≈ 7.7 TFLOPS	—	รายละเอียด
RTX 2070	8 GB	Turing	≈ 7.7 TFLOPS	—	รายละเอียด
RTX 2060S	8 GB	Turing	≈ 7.5 TFLOPS	—	รายละเอียด

คำถามที่พบบ่อย

GTX 1080 เหมาะสำหรับการทำ Inference หรือ Fine-tuning โมเดล LLM หรือไม่?

ด้วย VRAM 8 GB และสถาปัตยกรรม Pascal ทำให้ GTX 1080 สามารถรัน Inference บนโมเดลขนาดเล็กที่ผ่านการ Quantize ระดับสูงโดยใช้เทมเพลตอย่าง Ollama ได้ สำหรับโมเดลภาษาขนาดใหญ่หรืองาน Fine-tuning ขอแนะนำให้ใช้ GPU ที่มี VRAM มากกว่าและมี Compute Capability ที่ใหม่กว่า

บน ONIE มีเทมเพลตซอฟต์แวร์และวิธีเข้าถึงแบบใดบ้าง?

คุณสามารถปรับใช้ GTX 1080 พร้อมเทมเพลตที่ตั้งค่าไว้ล่วงหน้า เช่น PyTorch/CUDA, ComfyUI, Ollama และ vLLM โดยมีสิทธิ์เข้าถึงผ่าน SSH แบบเต็มรูปแบบเพื่อให้คุณปรับแต่งสภาพแวดล้อมและจัดการไฟล์ได้โดยตรง

สถาปัตยกรรม Pascal ส่งผลต่อเฟรมเวิร์ก Deep Learning สมัยใหม่อย่างไร?

GTX 1080 รองรับ CUDA Compute Capability 6.1 ซึ่งรันการคำนวณแบบความแม่นยำเดี่ยวมาตรฐานที่ประมาณ 7.8 TFLOPS เนื่องจากไม่มีคอร์ประมวลผลเมทริกซ์เฉพาะทางเหมือนในสถาปัตยกรรมรุ่นใหม่ เฟรมเวิร์กที่พึ่งพาการเร่งความเร็วด้วยฮาร์ดแวร์ในรูปแบบความแม่นยำต่ำจะทำงานช้าลงหรือต้องใช้โหมดสำรองแทน

การเรียกเก็บเงินสำหรับการเช่า GTX 1080 คิดอย่างไร?

อินสแตนซ์บน ONIE ใช้การเรียกเก็บเงินแบบรายชั่วโมง คุณจึงจ่ายเฉพาะช่วงเวลาที่อินสแตนซ์ GTX 1080 ของคุณเปิดใช้งานอยู่เท่านั้น

เช่า GTX 1080 รายชั่วโมง

สร้างบัญชี เลือกคอนฟิกูเรชัน และเชื่อมต่อผ่าน SSH การเรียกเก็บเงินจะหยุดลงเมื่อคุณลบ GPU

เช่า GTX 1080

GPU ทั้งหมด →