cpu
1.
打开开发者选项。
2.
打开gpu调试层,原神比较吃cpu,不怎么吃gpu,这个选项可以用gpu分担cpu的计算工作。
3.
游戏驱动程序设置,可以把默认改为游戏驱动程序。
2. 编程电脑吃显卡吗ug对于显卡CPU、内存都要求比较好的配置才行，如果想要自己的旧电脑也可以轻松使用安装ug，那么一个云桌面轻松搞定，随开随用，让你的电脑秒变超算机。
主要的推荐配置如下
1、经济版
CPU:I3 7100、8G内存、120G固态、GT1030或者RX550、GTX750。CPU:r3 1200、8G内存、120G固态、GT1030或者RX550、GTX750。
2、舒适版
I5 8400+16G内存+GTX1050TI显卡或者HD7970+250G固态
R5 1600+16G内存+GTX1050TI显卡或者HD7970+250G固态
以上推荐，AMD的CPU主板比Intel的要便宜，A卡比N卡便宜，对于编程绘图A卡稍微有些优势但不会高太多，游戏娱乐N更好些。CPU也是AMD在多线程运算比较有优势，Intel在单核比较有优势，配上好些的主板能发挥出更好的性能。
3. 编程是吃cpu还是显卡博途更吃cpu。
因为博途的工作主要是编程和分类，对于动态渲染或者静态渲染的需求非常低。
只有需要大量渲染的软件才会吃显卡，根据不同的渲染工作还需要不同的显卡，打游戏需要实时渲染大量动态画面所以需要游戏显卡。绘图渲染需要高频率大显存提升速度，所以需要专业级显卡。
4. 编程要用显卡吗编程主要是消耗cpu比较多,集成显卡或者独立显卡都可以,对性能没有过多要求。
具体选择什么显卡可以根据预算来选择，一定要配置一个高性能的处理器，预算不足可以上I5处理器，预算充足可以上I7处理器。
显卡作为电脑主机里的一个重要组成部分，是电脑进行数模信号转换的设备，承担输出显示图形的任务。
中央处理器（CPU）是一块超大规模的集成电路，是一台计算机的运算核心（Core）和控制核心（ Control Unit）。它的功能主要是解释计算机指令以及处理计算机软件中的数据。
5. 编程吃显卡还是处理器程序员用集显就够了。
首先从显示性能来说，独立显卡肯定是好于集成显卡的。但是，就编程这个需求来看，两种显卡你是感觉不出差距的。因为编程的时候你只有最基本的显示需求，简单点说只要能显示画面就行。没有性能上的要求。集成显卡足够了。而程序的编译和运行是靠CPU来造成的。CPU对编程的影响远大于显卡。
6. 程序员电脑吃显卡吗3年。1、程序员使用电脑一般三年就需要换了，因为程序员对电脑的配置运行需求很大。2、虽然电脑可以通过升级内存、显卡来达到软件运行要求，但核心CPU和主板制约了硬件无限升级，
互联网行业的电脑更新迭代都比较快，家庭笔记本也许可以使用5年甚至10年，但是对于程序员而言，电脑一两年就得换一次，这也和他们下班不关电脑有关
7. 学编程吃显卡吗在学校学习编程如C++，java等所用计算机配置intel i5以上+SSD硬盘+GTX1030独显(编程学习对显卡没要求，可做影音娱乐)+8GB DDR4内存就够了。如果搞游戏编程开发，大型应用程序开发，计算机配置建议用到intel i7以上的8核CPU+16GB DDR4内存+GTX2060以上显卡，如此配置在游戏编译时将达到如虎添翼，如日中天之效果。
对于大多数程序员来说，一般选择电脑的顺序就是:CPU>内存＞硬盘＞显卡，因为在做一个项目的时候，经常需要多线程处理，CPU是背后的动力支撑，内存的话能够保证容纳更多程序运行。
8. 程序员用的电脑是吃cpu还是显卡楼主这个问题我理解是想问显卡对编程的影响对吧？
首先从显示性能来说，独立显卡肯定是好于集成显卡的。但是，就编程这个需求来看哈，两种显卡你是感觉不出差距的。因为编程的时候你只有最基本的显示需求，简单点说只要能显示画面就行。没有性能上的要求。集成显卡足够了。而程序的编译和运行是靠CPU来造成的。CPU对编程的影响远大于显卡。
综上诉述，如果只是编程的话，集成显卡足够了，没必要上独显。可以把独显的钱省下来，升级一下内存和CPU，这个会带来更好的使用体验。希望对你有帮助。
9. 软件编程吃显卡吗吃显卡。
PowerMILL是英国DelcamPlc公司出品的功能强大，加工策略丰富的数控加工编程软件系统。采用全新的中文WINDOWS用户界面，提供完善的加工策略。帮助用户产生最隹的加工方案，从而提高加工效率，减少手工修整，快速产生粗、精加工路径，并且任何方案的修改和重新计算几乎在瞬间完成，缩短85%的刀具路径计算时间，对2-5轴的数控加工包括刀柄、刀夹进行完整的干涉检查与排除。具有集成一的加工实体仿真，方便用户在加工前了解整个加工过程及加工结果，节省加工时间。
10. 编程语言 吃显卡还是cpugpu跑的是对应的gpu指令，并不是什么语言，cpu也一样。
所有语言一样是要被编译成对应平台的机器指令。或者用解析器执行时转换成机器指令。python做深度学习，要做gpu加速，底层还是要通过编译器转换成gpu指令。所用的工具一般是CUDA,Opencl,DirectCompute.
使用CUDA就是把C/C++代码编译成GPU的指令。再配合其他API调用代码，只能用在Nvidia的GPU。
OpenCL跟DirectCompute是不分显卡的。只要显卡硬件支持通用计算，实现了该驱动。CL的kernel是一种类C的语言。最终会被编译成GPU指令。至于C++ Java也可以做的，也只是调用编译好的Kernel。往里面拷贝数据，穿参数。让GPU计算完后，CPU再取回数据。
GPU计算一般是面向大型的统一的数据，所谓统一就是数据类型都是一样的。就是固定类型，大小的数组。因为是SIMD/SIMT，适合做简单的计算。对每个数据单元的处理是一样的，不适合有复杂条件跳转的逻辑。所以GPU加速使用场景比较有限。
另外的SIMD指令加速，对于小型的数据，可以优先考虑。因为GPU加速，可能需要内存拷贝，使用开销相对较大。用SIMD的话，直接就是用CPU的特殊指令MMX SSE AVX加速。Java应该会有对应的包，C++用Intrinsic头文件。
