深度学习工作站配置推荐

在具体的论述之前，先说几个结论：
1.目前只有Nvida GPU能完整的支持深度学习，所以请购买较新的nvidia显卡（pascal、turing架构以上）
2.GPU上的投资回报比基本呈线性变化，因此可以按照自己的需要配置不同GPU。
3.保持工作站长期稳定工作需要一个靠谱的电源，所以在电源选择上追求稳定。
4.在现有预算下，GPU>CPU=RAM>=SSD
5.云服务用起来简单，长期使用却十分昂贵，所以我们要有自己的硬件设施。

1.需求分析

（一）为什么要为深度学习专门配置工作站（服务器）？

1.深度学习需要大量的并行计算资源，而且动辄计算几天甚至数周，而显卡（GPU)恰好适合这种工作，提供几十上百倍的加速，性能强劲的GPU能在几个小时内完成原本CPU需要数月完成的任务，所以目前深度学习乃至于机器学习领域已经全面转向GPU架构，使用GPU完成训练任务。

2.如今即使使用GPU的深度学习任务也要持续数天乃至数月（取决于数据规模和深度学习网络模型），需要使用单独的设备保障保证训练任务能够7x24小时长期稳定运行。

3.独立的深度学习工作站（服务器）可以方便实现实验室计算资源共享，多用户可以在个人电脑编写程序，远程访问到深度学习服务器上排队使用计算资源，减少购买设备的开支并且避免了在本地计算机配置复杂的软件环境。

（二）深度学习工作站配置要求

深度学习任务对计算机性能要求较高，各硬件主要完成以下操作：

深度学习计算过程

上述图示，深度神经网络计算大致流程，下面通过深度神经网络计算环节，分析核心硬件配置理想要求：

各硬件性能要求

CPU:
因为主要使用显卡进行cuda计算，因此对CPU的要求并不是很高，频率越高、线程数越多越好，一般最低要求cpu核心数大于显卡个数。其中一个制约因素：cpu的最大PCI-E 通道数。每张显卡占用16条pcie通道才能达到最大性能，而单cpu最大支持40条pcie，也就是即使有4个pcie x16接口，只能最多达到2路x16加一路x8，插上的显卡不能发挥全部性能。不过，主板芯片组其实也可以扩充一部分pcie通道。（x99主板可以扩宽2.0的8lanes，z170可以扩充3.0的20lanes）

显卡：
深度学习需要较强性能的显卡进行复杂的单精度运算,通常神经网络需要大量显存和内存资源，因此需要8GB以上显存才能运行大规模的深度卷积网络，执行计算机视觉任务，一般选择GTX1070以上