这个问题并非没有道理。Nvidia 和 ATI 的架构有所不同，对于某些任务（如比特币挖矿），ATI 比 Nvidia 要好得多。

对于神经网络相关的处理也可能如此。我试图在这种情况下比较这两个 GPU 品牌，但未能成功。

我的预期是，对于 GPU 上的神经网络处理，最重要的是核心数量。这是否正确？

回答：

几乎所有使用 GPU 的机器学习软件都（最佳地）与 CUDA 兼容，因此 Nvidia 的 GPU 是首选。

请查看 这个讨论。此外，还有一篇关于 深度学习应选择哪种 GPU（现代神经网络）的文章。相关引用如下：

那么我应该选择哪种 GPU？NVIDIA 还是 AMD？

NVIDIA 的标准库使得在 CUDA 中建立第一个深度学习库变得非常容易，而 AMD 的 OpenCL 则没有这样的强大标准库。目前，AMD 显卡没有好的深度学习库——所以选择 NVIDIA。即便将来有一些 OpenCL 库可用，我还是会坚持选择 NVIDIA：问题在于 CUDA 的 GPU 计算或 GPGPU 社区非常大，而 OpenCL 的社区相对较小。因此，在 CUDA 社区中，良好的开源解决方案和可靠的编程建议很容易获得。

NVIDIA 之所以出色，是因为他们在科学计算支持方面投入了大量努力（例如，参见 cuDNN）。这意味着他们承认这一领域并努力朝这些应用方向发展。

那么，NVIDIA 有许多 GPU。你应该选择哪一个？

简短回答，基于上述引用的文章（我强烈建议阅读！）：GTX 980。

实际上，核心数量并不是那么重要。GPU 没有大量内存，因此与主机（你的 RAM）的通信是不可避免的。所以重要的是板载内存的容量（这样你可以加载和处理更多数据），以及带宽（这样你就不必花很多时间等待）。