【无标题】

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：小发猫

求推荐适合深度学习的服务器

深度学习起源于神经网络，但现在已超越了这个框架深度神经网络四大框架，神经网络 深度神经网络。

至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和递归神经网络等，已被应用计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

深度学习的动机在于建立可以模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、文本和声音等。

深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的能力。

深度学习能够获得可更好地表示数据的特征，同时由于模型的层次深（通常有5层、6层，甚至10多层的隐层节点，百度“深”的好处是可以控制隐层节点的数目为输入节点数目的多项式倍而非多达指数倍）、表达能力强，因此有能力表示大规模数据。

蓝海大脑作为深度学习服务器的专业厂商，建议您选择深度学习服务器时需要注意以下几点：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，而英伟达NVIDIA、英特尔Intel、AMD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的深度学习服务器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。

蓝海大脑通过多年的努力，攻克了各项性能指标、外观结构设计和产业化生产等关键技术问题，成功研制出蓝海大脑深度学习水冷工作站HD210系列。

该产品图形处理速度快，支持GPU卡热插拔，具有高性价比，低噪音等特点，外形美观，满足了人工智能企业对图形、视频等信息的强大计算处理技术的需求。更好地为深度学习训练服务。

型号蓝海大脑深度学习服务器英特尔处理器IntelXeonGold6240R24C/48T,2.4GHz,35.75MB,DDR42933,Turbo,HT,165W.1TBIntelXeonGold6258R28C/56T,2.7GHz,38.55MB,DDR42933,Turbo,HT,205W.1TBIntelXeonW-326524C/48T2.7GHz33MB205WDDR429331TBIntelXeonPlatinum828028C/56T2.7GHz38.5MB,DDR42933,Turbo,HT205W1TBIntelXeonPlatinum924248C/96T3.8GHz71.5MBL2,DDR43200,HT350W1TBIntelXeonPlatinum928256C/112T3.8GHz71.5MBL2,DDR43200,HT400W1TBAMD处理器AMD锐龙ThreadripperPro3945WX4.0GHz/12核/64M/3200/280WAMD锐龙ThreadripperPro3955WX3.9GHz/16核/64M/3200/280WAMD锐龙ThreadripperPro3975WX3.5GHz/32核/128M/3200/280WAMD锐龙ThreadripperPro3995WX2.7GHz/64核/256M/3200/280WAMD锐龙ThreadripperPro5945WX4.1G12核/64M/3200/280WAMD锐龙ThreadripperPro5955WX4.0G16核/64M/3200/280WAMD锐龙ThreadripperPro5965WX3.8G24核/128M/3200/280WAMD锐龙ThreadripperPro5975WX3.6G32核/128M/3200/280WAMD锐龙ThreadripperPro5995WX2.7G64核/256M/3200/280W显卡NVIDIAA100×4,NVIDIAGV100×4NVIDIARTX3090×4,NVIDIARTX3090TI×4,NVIDIARTX8000×4,NVIDIARTXA6000×4,NVIDIAQuadroP2000×4,NVIDIAQuadroP2200×4硬盘NVMe.2SSD:512GB，1TB；M.2PCIe-SolidStateDrive(SSD),SATASSD:1024TB,2048TB,5120TBSAS:10000rpm&15000rpm,600GB,1.2TGB,1.8TBHDD:1TB，2TB,4TB,6TB,10TB外形规格立式机箱210尺寸mm（高*深*宽):726x616x266210A尺寸mm（高*深*宽):666x626x290210B尺寸mm（高*深*宽):697x692x306声卡：7.1通道田声卡机柜安装:前置机柜面板或倒轨（可选）电源功率:1300W×2;2000W×1软件环境可预装CUDA、Driver、Cudnn、NCCL、TensorRT、Python、Opencv等底层加速库、选装Tensorflow、Caffe、Pytorch、MXnet等深度学习框架。

前置接口USB3.2GEN2Type-C×4指承灯电和硬盘LED灵动扩展区:29合1读卡器，eSATA，1394，PCIe接口（可选）读卡器:9合1SD读卡器（可选）模拟音频:立体声、麦克风后置接口PS2接口:可选串行接口:可选USB3.2GEN2Type-C×2网络接口:双万兆(RJ45)IEEE1394:扩展卡口模拟音频:集成声卡3口连接线专用屏蔽电缆（信号电缆和电源电缆）资料袋使用手册、光盘1张、机械键盘、鼠标、装箱单、产品合格证等。

小白求教深度学习电脑配置

深度学习的配置是需要一些投入的，所以应该分阶段来购买配置比较合理。

初学者：台式机，内存8G，16G左右，GPU用GTX1050，没有也是可以的，剩下的你开心就好理由：刚刚学习深度学习，所以需要打好理论知识基础，简单的深度学习例子跑跑，熟悉算法，提高兴趣就可以了。

MNIST和CIFAR10的图像分类等等作为入门的例子，并不需要太大的计算力，加上现阶段因为人工智能和比特币的热潮，加上吃鸡游戏风靡，所以高端显卡有点贵。

已入门：台式机内存32G GTX1080Ti固态硬盘理由：这一阶段的时间，主要耗费在数据训练，数据清洗（如果有的话），一个好的GPU可以帮助你节省大量的训练时间，固态硬盘可以更快的读写文件专业级别研究者以及企业属于这个范畴，其他不说了，能多好就多好，只说下GPU，主要就是使用Titan啊，Teras啊这种级别的显卡，价格高的不要不要的，推荐使用云服务的GPU服务器吧希望以上回答可以帮到你。

做深度学习的服务器需要哪些配置？

。

要做一个深度学习的服务器，需要的配置有GPURAM,储存器，因为GPU是在我做深度学习服务器里面一个非常重要的部分，相当于是一个心脏，是非常核心的一个服务器，所以GPU是一个非常重要的东西，储存器也是相当重要的，因为很多数据都要放在ssd储存器上。

如何配置一台深度学习主机

搞AI，谁又能没有“GPU之惑”？下面列出了一些适合进行深度学习模型训练的GPU，并将它们进行了横向比较，一起来看看吧！CPU与GPU对比CPU是一个有多种功能的优秀领导者。

它的优点在于调度、管理、协调能力强，计算能力则位于其次。而GPU相当于一个接受CPU调度的“拥有大量计算能力”的员工。下图是处理器内部结构图：DRAM即动态随机存取存储器，是常见的系统内存。

Cache存储器：电脑中作为高速缓冲存储器，是位于CPU和主存储器DRAM之间，规模较小，但速度很高的存储器。算术逻辑单元ALU是能实现多组算术运算和逻辑运算的组合逻辑电路。

当需要对大数据bigdata做同样的事情时，GPU更合适，当需要对同一数据做很多事情时，CPU正好合适。GPU能做什么？关于图形方面的以及大型矩阵运算，如机器学习算法等方面，GPU就能大显身手。

简而言之，CPU擅长统领全局等复杂操作，GPU擅长对大数据进行简单重复操作。CPU是从事复杂脑力劳动的教授，而GPU是进行大量并行计算的体力劳动者。

深度学习是模拟人脑神经系统而建立的数学网络模型，这个模型的最大特点是，需要大数据来训练。

因此，对电脑处理器的要求，就是需要大量的并行的重复计算，GPU正好有这个专长，时势造英雄，因此，GPU就出山担当重任了。

太长不看版截至2020年2月，以下GPU可以训练所有当今语言和图像模型：RTX8000：48GBVRAM，约5500美元RTX6000：24GBVRAM，约4000美元TitanRTX：24GBVRAM，约2500美元以下GPU可以训练大多数（但不是全部）模型：RTX2080Ti：11GBVRAM，约1150美元GTX1080Ti：11GBVRAM，返厂翻新机约800美元RTX2080：8GBVRAM，约720美元RTX2070：8GBVRAM，约500美元以下GPU不适合用于训练现在模型：RTX2060：6GBVRAM，约359美元。

在这个GPU上进行训练需要相对较小的batchsize，模型的分布近似会受到影响，从而模型精度可能会较低。GPU购买建议RTX2060（6GB）：你想在业余时间探索深度学习。

RTX2070或2080（8GB）：你在认真研究深度学习，但GPU预算只有600-800美元。8GB的VRAM适用于大多数模型。

RTX2080Ti（11GB）：你在认真研究深度学习并且您的GPU预算约为1,200美元。RTX2080Ti比RTX2080快大约40％。

TitanRTX和QuadroRTX6000（24GB）：你正在广泛使用现代模型，但却没有足够买下RTX8000的预算。

QuadroRTX8000（48GB）：你要么是想投资未来，要么是在研究2020年最新最酷炫的模型。

NVTESLAV100（32GB）：如果你需要在NVIDIA数据中心使用CUDA，那么TESLA就是必选品了。图像模型内存不足之前的最大批处理大小：*表示GPU没有足够的内存来运行模型。

性能（以每秒处理的图像为单位）：*表示GPU没有足够的内存来运行模型。语言模型内存不足之前的最大批处理大小：*表示GPU没有足够的内存来运行模型。性能：*GPU没有足够的内存来运行模型。

使用QuadroRTX8000结果进行标准化后的表现图像模型语言模型结论语言模型比图像模型受益于更大的GPU内存。注意右图的曲线比左图更陡。

这表明语言模型受内存大小限制更大，而图像模型受计算力限制更大。具有较大VRAM的GPU具有更好的性能，因为使用较大的批处理大小有助于使CUDA内核饱和。

具有更高VRAM的GPU可按比例实现更大的批处理大小。只懂小学数学的人都知道这很合理：拥有24GBVRAM的GPU可以比具有8GBVRAM的GPU容纳3倍大的批次。

比起其他模型来说，长序列语言模型不成比例地占用大量的内存，因为注意力（attention）是序列长度的二次项。

附注：测试模型图像模型：语言模型：云轩Cloudhin专注Deeplearning和高性能计算服务器定制，针对主要深度学习框架（如TensorFlow、Caffe2、Theano或Torch）进行了优化和设置，在桌面上即可提供强大的深度学习功能。

请点击输入图片描述请点击输入图片描述。

做深度学习的自然语言处理对电脑的配置有什么要求

。

四颗TITANXGPU，每颗GPU有12GB内存64GBDDR4华硕X99-EWS工作站级主板支持4路PCI-EGen3x16酷睿i7-5930K6核3.5GHz台式机处理器三个3TBSATA6Gb3.5“企业级硬盘RAID5用于RAID的512GBPCI-EM.2SSD缓存250GBSATA6Gb内置SSD包括EVGA在内的高级供应商的1600W电源装置Ubuntu14.04NVIDIA合格的驱动程序NVIDIA®（英伟达™）CUDA®工具包NVIDIA®DIGITS™SWNVIDIA®cuDNN™Caffe，Theano，火炬，BIDMachNVIDIA®DIGITS™DevBox官方参考。

用深度学习做图像识别是不是要求很高的电脑配置

。

推荐配置：CPUAMDA10-7890K1¥1169主板技嘉GA-1¥799内存海盗船8GBDDR31600（CMZ8GX3M1A1600C10）2¥359硬盘希捷Desktop1TB7200转8GB混合硬盘（ST2000DX001）1¥300固态硬盘三星850EVO系列（128GB）1¥379显卡七彩虹iGame970烈焰战神U-4GD51¥2599显示器AOCLD32E01M1¥1100。

深度学习主机配置，可支持多个GPU卡的GPU工作站或服务器？

。

推荐品牌：LINKZOL(联众集群)，可咨询：1381O114665推荐配置一：计算平台采用：LZ743GR-2G/Q系统：Ubuntu14.04.3x64CPU:IntelXeon十核E5-2630v4(2.2GHz,8.0GT/s)内存：原厂64GB内存(16GB×4)DDR42133MHZECC-REG.（带内存校错技术，最大支持2T）系统硬盘：INTEL2.5寸240G企业级SSD固态硬盘（最大支持8块硬盘，类型：SATA,SSD）系统硬盘:希捷3.5寸4T7200RPM企业级硬盘（最大支持8块硬盘，类型：SATA,SSD;）GPU卡：2块NVIDIATATAN-XGPU卡（CUDA核心数3584个核心，12GDDR5显存，最大2个GPU卡）电源：1200WHighefficiency(96%)金牌电源推荐配置二：计算平台采用：LZ-748GT系统：Ubuntu14.04.3x64CPU:IntelXeon十二核E5-2650v4(2.2GHz,9.6GT/s)内存：原厂256GB内存(16GB×16)DDR42133MHZECC-REG.（带内存校错技术，最大支持2T）系统硬盘：2块INTEL2.5寸480G企业级SSD固态硬盘（最大支持8块硬盘，类型：SATA,SSD）系统硬盘:3块希捷3.5寸4T7200RPM企业级硬盘（最大支持8块硬盘，类型：SATA,SSD;）GPU卡：4块TESLATITANXGPU计算卡或者4块teslaP4OGPU卡（CUDA核心数3584个核心，12GDDR5显存，最大4个GPU卡）电源：2000WHighefficiency(94%)冗余钛金电源推荐配置三：计算平台采用：LZ428GR-8G/Q系统：Ubuntu14.04.3x64CPU:IntelXeon十四核E5-2690v4(2.6GHz,9.6GT/s)内存：原厂256GB内存(16GB×16)DDR42133MHZECC-REG.（带内存校错技术，最大支持2T）系统硬盘：2块INTEL2.5寸480G企业级SSD固态硬盘（最大支持8块硬盘，类型：SATA,SSD）系统硬盘:3块希捷2.5寸2T7200RPM企业级硬盘（最大支持8块硬盘，类型：SATA,SSD;）GPU卡：8块TESLAP40GPU计算卡或者8块NVIDIATATAN-XGPU卡（CUDA核心数3584个核心，12GDDR5显存，最大8个GPU卡）电源：1600W（2+2）Highefficiency(96%)钛金电源。