一提到 AI 计算，显卡性能，就有一大堆参数性能列表，这些列表全是一堆堆的参数数据，他们都代表啥？本文整理了常见的参数说明供大家了解。
FP64
FP64是指双精度浮点数格式，占用64位（即8字节）的存储空间，可以表示范围在±1.189731491523451 × 10^-308到±3.141592653589793 × 10^307之间的数值。在科学计算、计算机图形学等领域中，FP64是一种常用的浮点数格式，可以提供较高的精度和计算性能。
FP64 tensor core
FP64 Tensor Core是Tensor Cores支持的一种精度格式，它支持半精度（FP16）数据来加速矩阵乘法，并使用单精度（FP32）或双精度（FP64）数据来修正结果，以获得更高的精度。在Tensor Core中，FP16数据被划分为4x4的矩阵块，每个矩阵块都可以与另一个4x4的矩阵块相乘，生成一个4x4的FP32或FP64矩阵块。这种混合精度计算方法在加速深度学习模型的同时，可以保持高精度的计算结果。
FP32
FP32（单精度浮点数）是一种数字格式，占用32位（即4字节）的存储空间，可以表示范围在±1.189731491523451 × 10^-38到±3.4028234663852886 × 10^38之间的数值。FP32在计算机图形学、科学计算和许多其他领域中非常常见，因为它可以提供相对较高的精度和计算性能。在深度学习领域，FP32也经常用于训练和推理过程，因为它能够提供足够的精度来保持模型的准确性，同时仍然具有相对较高的计算性能。
FP32 tensor core
FP32 Tensor Core是Tensor Cores支持的一种精度格式。Tensor Core通过将输入的低精度数据（例如FP16）与高精度数据（例如FP32或FP64）结合起来，实现高精度计算的效果。