买非公显卡性能都差不多,但是散热器设计样式选择很多,华硕败家之眼,技嘉G1,索泰PGF等各有不同,到底买哪个成了一件纠结的事情,直到我看见EVGA FTW,一眼就爱上了,简洁大方的设计,显眼的侧灯,精致的做工,最关键是FTW这三个字,Fuck The World,欧不,For The Win,霸气,买买买!结果缺货很严重,到处没货,最后找了半天,加价在某宝入了一枚国行，为了信仰。。。



开箱篇

不知道辗转了多少地方,到手的时候塑封到处都是伤，不过封条完好







拨开塑封,盒子还是挺干净的



打开盒子，EVGA大字提示保修无需和经销商联系，直接和原厂联系，据说EVGA的保修响应速度非常快！



内盒很朴实





送了个金属的小Bage和一些贴纸，还有海报



配件不多，两根6转8pin，没了



拆掉包装，就是正餐啦！





双8pin电源和热管细节



更多细节





金手指全新无使用痕迹





背板细节，不是一块铁板封死，而是留了很多散热通风口，开口大的的地方还有防尘网







装机篇

显卡长度不长,轻松装入机箱,就是双8pin电源比较烦
原来单8pin，这卡要双8pin，本想用一根线双8的，后来想想还是稳妥点，重新接了根8pin到电源，全模组这点还是很方便的。

即将退役的阿速死GTX670mini doc，服役有好多年了，稳定好用



模组电源多接一根8pin的显卡线



电源线走好，请无视这杂乱的背线



1080上机！



一次点亮！默认的浅蓝色灯真好看，晚点下个软件调成和主板一致的橙色光







更新,给显卡搞了个酷冷的支架,材质不错,支架是钢的,底座带吸铁石,托子是塑料的












性能篇


总的来说性能肯定比公版好一些，应该说是拖1080P毫无压力，1440p看情况还是有可能会低于60帧，4k单卡没得玩，双卡可以一战。
台湾官网和EVGA 1080其他同门师兄弟的对比，FTW之上其实还有Classified，比FTW更强一点。



2560个cuda core，晚点用这个做一些不一样的测试



cpu i7 4770k小超了一下4.3Ghz，我猜应该对于这个显卡来说瓶颈不是很大





甜甜圈烤鸡GPU最高温度78°，不过fan speed没有到顶



稍微测试几个游戏吧,慢慢更新，1080P就不测了，基本通吃，1440p某些游戏还是有些挣扎的

巫师3 1440P 全部最高效果








关闭所有的头发效果,帧数有较大提高,目测从65帧左右上升到75~90帧，根据场景不同不稳定











来一张关闭毛发和AA的的平均统计：



巫师3从结果来看还是稍稍有些失望的,1080看来也只能玩玩1440p了,想玩4K还得继续等...

GTA5

街霸5

守望先锋

DOOM4


=============================================================================

游戏先不测了，毕竟大家各种网上都能看到，有时间再慢慢补吧

这里测一下使用GPU进行科学计算，测试内容是时下最火的深度卷积神经网络，使用的框架是开源不久的Google的tensorflow

跑了一下mnist，机器学习界的 hello world，是一个手写数字图片的识别模型，简单说就是用各种不同的手写的数字的图片去训练模型，最后可以用这个模型前向运算去做识别。
最耗时的就是做训练，大量的矩阵运算，如果用cpu非常非常慢

1080的单精度浮点运算能力达到了9~10TFLOPS，这里对比的机型是macbook pro gtx650m

先跑mac的

复制内容到剪贴板

代码:

I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcublas.7.5.dylib locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcudnn.5.dylib locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcufft.7.5.dylib locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcuda.1.dylib locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcurand.7.5.dylib 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:892] OS X does not support NUMA - returning NUMA node zero
I tensorflow/core/common_runtime/gpu/gpu_init.cc:102] Found device 0 with properties:
name: GeForce GT 650M
major: 3 minor: 0 memoryClockRate (GHz) 0.9
pciBusID 0000:01:00.0
Total memory: 1023.69MiB
Free memory: 775.96MiB
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:841] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 650M, pci bus id: 0000:01:00.0)
Initialized!
Step 0 (epoch 0.00), 16.9 ms
Minibatch loss: 12.054, learning rate: 0.010000
Minibatch error: 90.6%
Validation error: 84.6%
Step 100 (epoch 0.12), 63.9 ms
Minibatch loss: 3.297, learning rate: 0.010000
Minibatch error: 6.2%
Validation error: 7.5%
Step 200 (epoch 0.23), 61.0 ms
Minibatch loss: 3.468, learning rate: 0.010000
Minibatch error: 14.1%
Validation error: 3.9%
Step 300 (epoch 0.35), 61.0 ms
Minibatch loss: 3.211, learning rate: 0.010000
Minibatch error: 6.2%
Validation error: 3.3%
Step 400 (epoch 0.47), 61.1 ms
Minibatch loss: 3.225, learning rate: 0.010000
Minibatch error: 10.9%
Validation error: 2.7%
Step 500 (epoch 0.58), 61.0 ms
Minibatch loss: 3.252, learning rate: 0.010000
Minibatch error: 7.8%
Validation error: 2.4%
...
...
Step 7900 (epoch 9.19), 70.0 ms
Minibatch loss: 1.655, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.9%
Step 8000 (epoch 9.31), 68.1 ms
Minibatch loss: 1.661, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.9%
Step 8100 (epoch 9.43), 61.4 ms
Minibatch loss: 1.629, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.9%
Step 8200 (epoch 9.54), 61.3 ms
Minibatch loss: 1.622, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.9%
Step 8300 (epoch 9.66), 61.3 ms
Minibatch loss: 1.615, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.8%
Step 8400 (epoch 9.77), 61.5 ms
Minibatch loss: 1.597, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.7%
Step 8500 (epoch 9.89), 61.5 ms
Minibatch loss: 1.615, learning rate: 0.006302
Minibatch error: 1.6%
Validation error: 0.9%
Test error: 0.8%
real 535.93
user 484.78
sys 84.52

耗时535秒

再跑gtx1080的

复制内容到剪贴板

代码:

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 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) 1.86
pciBusID 0000:01:00.0
Total memory: 7.92GiB
Free memory: 7.48GiB
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:839] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1080, pci bus id: 0000:01:00.0)
Initialized!
Step 0 (epoch 0.00), 6.5 ms
Minibatch loss: 12.054, learning rate: 0.010000
Minibatch error: 90.6%
Validation error: 84.6%
Step 100 (epoch 0.12), 4.9 ms
Minibatch loss: 3.301, learning rate: 0.010000
Minibatch error: 4.7%
Validation error: 7.4%
Step 200 (epoch 0.23), 4.7 ms
Minibatch loss: 3.437, learning rate: 0.010000
Minibatch error: 14.1%
Validation error: 3.8%
...
...
Minibatch loss: 1.629, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.8%
Step 8300 (epoch 9.66), 5.1 ms
Minibatch loss: 1.609, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.8%
Step 8400 (epoch 9.77), 4.9 ms
Minibatch loss: 1.596, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.7%
Step 8500 (epoch 9.89), 4.7 ms
Minibatch loss: 1.616, learning rate: 0.006302
Minibatch error: 1.6%
Validation error: 0.9%
Test error: 0.8%
real 43.38
user 52.16
sys 6.29

耗时43秒。。。

GTX1080比GTX650M整整快了13倍,比纯CPU运算快了43倍! (macbook pro i7 cpu跑完这个测试时间在1500秒左右,4核8线程爆满计算)


试想一下,1080计算1个小时的工作量用650M要算13个小时,用cpu要整整2天!


为什么深度神经网络突然火起来了就是因为廉价的GPU忽然到达了一个性能功耗和价格的一个临界点,随意一个实验室搞万把块钱弄几张卡就能开始做研究了,以前无法想象的运算量现在已经可以在可以接受的时间范围内去做实践了,技术改变世界...


包括此次Iphone使用的神经网络和这个是同样的道理,就是通过大量计算修正模型,最后把这个模型固化到芯片里.


今年这卡够我玩一阵子的了

[ 本帖最后由 squallssck 于 2016-9-17 20:26 编辑 ]

显示器用书垫233

posted by wap, platform: iPhone
垫显示器的杂志是微型计算机吗？

posted by wap, platform: iPad
信仰灯太美了！

posted by wap, platform: iPhone
信仰无价，自己喜欢，能买得起，坚决上！:D

posted by wap, platform: Galaxy S7 Edge
For The Win……

posted by wap, platform: iPhone
670出吗？

我靠，楼主是怎么保养的。这机箱，这老显卡，也太干净了

posted by wap, platform: SONY Xperia Z3
ftw这批卡不是据说有问题吗

posted by wap, platform: Android
舍得上1080的不是有钱就是真信仰，普通群众围观看看就行了。

posted by wap, platform: Chrome
显卡很不错啊
鼠标边上竖着的是3DS么？
楼主把杂志用出本了^_^

posted by wap, platform: iPhone
部分 EVGA GTX1080 FTW 可能存在硬件缺陷 只看楼主

1# sz_sz
收藏 2016-9-1 09:53
本帖最后由 sz_sz 于 2016-9-4 00:42 编辑

现象是游戏中会突然黑屏并且风扇变成最大转速，显卡停止输出信号，必须重新关机启动才能恢复。

原帖（EVGA官方论坛）：http://forums.evga.com/GTX-1080-FTW-Black-screen-amp-fans-spin-up-to-100-m2530081.aspx
这个帖子已经有10页，里面有很多人反应有这个现象。EVGA花了3周时间才查明原因。下面是管理员Jacob昨天发的原话：
“We have identified this and can confirm that this occurs on a small number of 1080 FTW cards. We have found the root cause and have corrected it. If you are experiencing this problem please contact us directly.”

有美国人昨天和今天已经联系了美国EVGA客服，说是有硬件缺陷必须RMA，不是说升级BIOS可解决的。上面Jacob说的只有一小部分卡是有问题的，估计是某个批次用了有问题的元器件。如果是设计问题那所有1080FTW都得召回了。

美国新蛋上也有用户反应有黑屏现象。看了下京东的评价好像没有有关现象。
我的1080FTW是7月底京东上买的。到现在只有一个游戏（DCS A-10C）有这个现象，其他像GTA5/危机3/战地4/星际2 没有此现象，即使核心超频Boost到2113.5，显存+500连玩几个小时也非常稳定。所以我认为京东的这个批次的可能都是有问题的卡，只是大家没有玩到有问题的游戏就没有发现到此问题。

另据上面帖子里客服经理Chris的话，从昨天开始发货的1080FTW是经过修正的。所以近期想买1080FTW的还是等上一段时间吧。
我的卡早已经过了7日退货期，估计返修给京东也是RMA到台湾，乐观估计也得用上1个月吧。

--------------------------------------------------------------------

楼主写评测是蛮好，但是ftw就for the win正常写出来就好，一定要用fxxk这种词做标题党何必呢

posted by wap, platform: iPhone
我感觉我可能是买下了今冬上最后一块evga1080，下了单就没货额

我在这卡上玩通了两个蝙蝠侠游戏，彩虹六，巫师三，出现定期黑屏的只有巫师三，但原因你猜是啥，二逼win10把巫师三当成一个后台程序，每隔几十分钟就会把显示器关了，我摇摇鼠标就画面回来了。

那问题来了，我这块发科the world算不算缺陷卡呢？

本帖最后由 ddaaii 于 2016-9-11 12:22 通过手机版编辑

posted by wap, platform: iPad
那1070的含义是？