回答：
GPU模式：
可能的 GPU 操作模式有：
SingleDevicePerTool （預設設定）- 使用單一 GPU 來分析工具。使用多個 GPU 時，單一影像的處理時間保持不變，但可以在不同裝置上同時處理多個影像：
MultipleDevicesPerTool – 此模式適用於 Red Analytics 工具，允許將其影像分析指派到多個 GPU 上。此模式最適合使用較小特徵尺寸和/或較高採樣密度來分析較大影像的應用。當 MultipleDevicesPerTool 模式用於小影像、大特徵尺寸和低取樣密度時，此模式可能比 SingleDevicePerTool模式慢。
NoGPUSupport – 指定不使用 GPU。
多 GPU ：
在單一系統中使用多個 GPU 不會減少ViDi工具訓練或處理時間。多個 GPU 可以執行以下操作：
• 當您的應用程式使用多個執行緒同時處理映像時，可以提高系統吞吐量。
• 透過讓您同時培訓多個工具來提高培訓效率。
在一種情況下，可以使用多個 GPU 來減少工具處理時間。如果您將系統配置為MultipleDevice s PerTool 模式，則所有已安裝的 GPU 在處理過程中都會被視為單一 GPU。這意味著整個伺服器一次只能處理一個工具。
在紅色分析工具的特定情況下，使用MultipleDevicesPerTool模式可能會加快該工具的速度，尤其是具有高影像與特徵尺寸比的工具。然而，這種潛在的加速是以所有客戶端的延遲為代價的。
多 GPU系統的系統配置：
• 為多個 GPU 配置熱系統時，請記住以下幾點：
• 機箱可能需要提供高達2KW的功率。
• Quadro 和 Tesla 卡為多卡安裝提供更好的冷卻配置。
• 確保 PCIe 配置為每個 GPU 提供 16 個 PCIe 通道。
• 不要啟用 SLI 。
訓練時間怎麼樣：
減少工具培訓時間不會影響運行時的效能，但可以提高開發團隊的生產力。
ViDi訓練混合使用 CPU 和 GPU 資源。具體考慮培訓時，分為三個階段：
• 計算影像統計數據，
• 建立模型，
• 使用新訓練的模型處理影像集
訓練的模型建置階段通常耗時最長，並且是一個迭代過程。每次迭代都要求該工具從所有訓練圖像產生訓練資料。如果影像是非 BMP 格式，則每次迭代都需要將其轉換為 BMP。
工具訓練始終是單執行緒和單 GPU。使用多個GPU無法加速訓練速度
使用多個 GPU可以提高您的工作效率，因為您可以同時訓練多個工具
