做深度学习,需要配置专门的GPU服务器吗?
深度学习是需要配置专门的GPU服务器的:深度学习的电脑配置要求:1、数据存储要求在一些深度学习案例中,数据存储会成为明显的瓶颈。做深度学习首先需要一个好的存储系统,将历史资料保存起来。
主要任务:历史数据存储,如:文字、图像、声音、视频、数据库等。数据容量:提供足够高的存储能力。读写带宽:多硬盘并行读写架构提高数据读写带宽。接口:高带宽,同时延迟低。
传统解决方式:专门的存储服务器,借助万兆端口访问。缺点:带宽不高,对深度学习的数据读取过程时间长(延迟大,两台机器之间数据交换),成本还巨高。
2、CPU要求当你在GPU上跑深度网络时,CPU进行的计算很少,但是CPU仍然需要处理以下事情:(1)数据从存储系统调入到内存的解压计算。(2)GPU计算前的数据预处理。
(3)在代码中写入并读取变量,执行指令如函数调用,创建小批量数据,启动到GPU的数据传输。(4)GPU多卡并行计算前,每个核负责一块卡的所需要的数据并行切分处理和控制。
(5)增值几个变量、评估几个布尔表达式、在GPU或在编程里面调用几个函数——所有这些会取决于CPU核的频率,此时唯有提升CPU频率。传统解决方式:CPU规格很随意,核数和频率没有任何要求。
3、GPU要求如果你正在构建或升级你的深度学习系统,你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上,收获巨大。主要任务:承担深度学习的数据建模计算、运行复杂算法。
传统架构:提供1~8块GPU。4、内存要求至少要和你的GPU显存存大小相同的内存。当然你也能用更小的内存工作,但是,你或许需要一步步转移数据。
总而言之,如果钱够而且需要做很多预处理,就不必在内存瓶颈上兜转,浪费时间。主要任务:存放预处理的数据,待GPU读取处理,中间结果存放。
深度学习需要强大的电脑算力,因此对电脑的硬件配置自然是超高的,那么现在普通的高算力电脑需要高配置硬件。
谷歌人工智能写作项目:神经网络伪原创
深度学习 对硬件的要求
之前热衷于学习理论知识,目前想跑代码了发现不知道从何下手,自己电脑上搭建的平台基本就是个摆设,因为跑不起来呀文案狗。今天我们就来看看想做深度学习应该怎么下手。
首先了解下基础知识:1、深度学习用cpu训练和用gpu训练的区别ÿ