深度学习机器

一、硬件之间的关系

主板：就是提供配件插口的硬件，还有很多的电脑接口都在主板上。如果说电脑是一个拼图， 那么主板就是一个拼图的壳子，通过它才能把其他的东西拼上去。主板是链接各个部件的基础通道，不同的部件，使用的通道（总线）不同。

CPU：插在主板上的电脑的核心组建，一个电脑配置的关键道具，负责各种逻辑运算。

硬盘：插在主板上的电脑里面存贮文件的硬件，我的电脑里面的 C D E F 盘 其实就是硬盘， 只不过分了很多分区，你可以理解成硬盘就是电脑上一个不能直接拔下来，也必不可少的U盘

内存条：插到主板上 CPU的助手，运行程序时，存贮正在运行的程序所用到的空间，比如变形金刚3的电脑特效“一个擎天柱有一万多个组件”，电脑处理时不仅需要强大的硬盘，还需要很大的内存，好像是64G，因为处理时 系统都必须随时能读取到擎天柱的那么多组件，如果内存不够，自然就会卡，影响电影的效率。

显卡：插在主板上，也是CPU的助手，由于功能比较特殊，所以现在是独立显卡。但是仍然属于CPU的手下，你运行游戏的时候，很多图形需要处理，CPU自然就吃不消，显卡就是一个具体问题具体分析的硬件，专门处理这些图形，好让你玩那些游戏更加流畅，显卡也有内存，除了存储的是图形以外，其他跟内存差不多。

显示器：主要听从显卡的指挥，显卡上提供插口，接受并翻译显卡输出的信号成为图像，供你直接用眼睛看到。

 

参考：https://zhidao.baidu.com/question/528455612.html

二、PCIE

现在市面上主流的显卡都是PCI-E插槽。也就是说，若你的主板是PCIE插槽，那么你随便买显卡就可以了。

PCI E是新一代的总线接口，是第三代I/O总线技术。

PCI-E采用了目前业内流行的点对点串行连接，比起PCI以及更早期的计算机总线的共享并行架构，每个设备都有自己的专用连接，不需要向整个总线请求带宽，而且可以把数据传输率提高到一个很高的频率，达到PCI所不能提供的高带宽。

PCI Express的接口根据总线位宽不同而有所差异，包括X1、X4、X8以及X16（X2模式将用于内部接口而非插槽模式）。较短的PCI Express卡可以插入较长的PCI Express插槽中使用。PCI Express接口能够支持热拔插，这也是个不小的飞跃。

参考：https://zhidao.baidu.com/question/184183577.html

三、深度学习机器

京东上面有不少DIY定制的一套深度学习的服务器配置，不过主要也是分为两种：一种是至强E系列双CPU带4路GPU，还有一种是I7的CPU待2路GPU。

主板：

一般来说单块的GPU显卡占用16条PCIE通道，如果想配置4块的话，那么则需要16*4=64条PCIE通路。而我们选择常见的I7的CPU最高也只有40条PCIE通路，理论上来讲需要2块CPU实现双通道处理。上面京东上大多数都是这种配置模式，当然，如果我们不想使用双路CPU的话，要想实现单CPU支持16*4PCIE通道，目前只有Asus X99-E WS/USB 3.1，唯一 一块主板可以实现PCIE通路的拓展。所有如果有人想使用单个I7带4路GPU的话，那主板只能选择这一款了。推荐使用这一款，为了后期方便扩展，我们可以暂时只买1路或者2路GPU，后期可以扩至4路。

CPU的选购也是需要适配主板型号，为了支持上述的ASUS X99-E WS USB3.1主板，CPU为LGA2011-v3系列，同时支持最高40条PCIE通道。而且我们系统主要使用CPU显卡进行计算，CPU的核心数并不重要，只要拥有相对较高的主频就可以，因此对CPU的要求其实并不是很高。这我们选择主频相对较高的i7-6850K（不带核显），也可以选择相对较低点主频的i7-5930K。具体根据实际情况选购，预算多一点的，可以选择更好的。

显卡：

其实显卡才是我们的主角，我们的核心计算都是需要依托GPU计算的，当然并不是所有显卡都可以的，我们需要能够支持CUDA平台（一种由NVIDIA推出的通用并行计算架构）的GPU才行，实际上也只有部分高端NVIDIA显卡才支持此功能，NVIDIA也可以查询的到具体的支持列表，大家可以前往查询——>传送门

其实我们的另一个主角TensorFlow对GPU也是有要求的

　　

基本上深度学习主机主要可选为：Titan Xp、1080Ti、Titan、1060与Tesla系列，深度学习模型对参数精度要求并不高，因此除非土豪，可以排出Tesla系列显卡。在预算充足的情况下，1080Ti是目前最佳的选择。在显卡的选购过程中，肯定会遇到公版与非公版的选择问题，这也是为什么上面购物清单里特意标注说明的。虽然非公版的散热较好，且自带超频，但考虑到系统的稳定性与兼容性，建议还是选择公版显卡，毕竟我们是用来研究的，还是一个毕竟严谨些。另外非公版显卡还可能会遇到显卡太厚主板放不下的问题。购买方面，大家如果方便，海淘也是一个不错的选择

Tim Dettmers博客也分析过主流的GPU成本效益，大家可以去看看他的博客介绍——>传送门

在他的博客当中，也给出了他个人的购买意见

TL;DR advice

Best GPU overall (by a small margin): Titan Xp

Cost efficient but expensive: GTX 1080 Ti, GTX 1070, GTX 1080

Cost efficient and cheap:  GTX 1060 (6GB)

I work with data sets > 250GB: GTX Titan X (Maxwell), NVIDIA Titan X Pascal, or NVIDIA Titan Xp

I have little money: GTX 1060 (6GB)

I have almost no money: GTX 1050 Ti (4GB)

I do Kaggle: GTX 1060 (6GB) for any “normal” competition, or GTX 1080 Ti for “deep learning competitions”

I am a competitive computer vision researcher: NVIDIA Titan Xp; do not upgrade from existing Titan X (Pascal or Maxwell)

I am a researcher: GTX 1080 Ti. In some cases, like natural language processing, a GTX 1070 or GTX 1080 might also be a solid choice — check the memory requirements of your current models

I want to build a GPU cluster: This is really complicated, you can get some ideas here

I started deep learning and I am serious about it: Start with a GTX 1060 (6GB). Depending of what area you choose next (startup, Kaggle, research, applied deep learning) sell your GTX 1060 and buy something more appropriate

I want to try deep learning, but I am not serious about it: GTX 1050 Ti (4 or 2GB)
(直接google翻译，哈哈)

　整体最佳GPU（由小幅度）：Titan Xp的
　成本有效的，但昂贵的：GTX 1080的Ti，GTX 1070，GTX 1080 
　成本高效和廉价的：GTX 1060（6GB）
　我的数据集> 250GB工作：GTX泰坦X（麦克斯韦） ，NVIDIA Titan X Pascal，或NVIDIA Titan Xp 
　我有一点钱：GTX 1060（6GB）
　我几乎没有钱：GTX 1050 Ti（4GB）我做Kaggle：任何“正常”比赛GTX 1060（6GB）或GTX 1080 Ti为“深度学习竞赛”
　我是一名有竞争力的计算机视觉研究员：NVIDIA Titan Xp; 不要从现有的Titan X升级（Pascal或Maxwell）
　我是研究员：GTX 1080 Ti。在某些情况下，如自然语言处理，一个GTX 1070或GTX 1080也可能是一个坚实的选择-检查你的现有机型的内存需求我想建立一个GPU集群： 这确实是复杂的，你可以得到一些想法 
　这里我开始深入学习，我很认真：从一个GTX 1060（6GB）开始。根据您下一步选择的区域（启动，Kaggle，研究，应用深度学习）销售您的GTX 1060并购买更适合
　我想要深入学习的东西，但我并不太在意：GTX 1050 Ti（4或2GB）

机箱

选择NVIDIA® DIGITS™ DevBox同款机箱，大多数深度学习用户都是使用这款机箱（他们也给我们推荐了自己的配置，大家可以参考下），我们也是采购这一款，值得推荐哦

电源

其实电源也是很重要的，尤其是其功率上，毕竟如果扩至4路的话，24小时不间断运作的话，还是相当耗电的，如果你想以后扩至4路的话，1600w足够了，这玩意24小时不关机，一个月下来还是挺费电的（就当是沉淀成本，O(∩_∩)O哈哈~），这个还是根据自己实际情况来，但是唯一的原则是：功率要超过所有硬件设备的总功率，要不然带不起来的。

散热

散热的话，大家可以选择水冷或者风冷，纠结之后还是选择了水冷，最终选择了一款（美商海盗船（ Corsair）Hydro系列 高性能 水冷 CPU散热器 全平台支持 H100i V2 240mm）的水冷散热，后期发现的确是超静音的，噪音特别小，选择水冷的话建议将冷排安装在AIR540机箱的顶端，这样可以避免顶端进灰。如果有人担心水冷过了保质期之后会漏水，也可以选择风冷的。

内存

内存条的大小也要根据CPU来购买的，因为I7-6850K默认主频2400MHz，开启XMP之后，自动超频为3200MHz。因此建议购买DDR4 3200MHz内存条（2条16x2），如果不知道XMP，可以自行搜索了解下。

XMP是Extreme Memory Profile的缩写，是Intel在2007年9月提出的内存认证标准，适用于DDR3和DDR4。简单的说，通过了英特尔XMP认证的内存，SPD中有两个或更多频率设定档案，只要在主板中启用这些预设的XMP档案，即可将内存条自动超频到1600或更高值（根据档案设定而定）。XMP与手动超频效果基本无异，所以可将其看作为内存的自动超频技术。

存储

建议搭配SSD（固态硬盘）和HDD（机器硬盘）结合使用，SSD用作系统盘，HDD用作仓储，建议SSD至少250G，机器硬盘现在标配也是至少是1T了。一般SSD安装Windows和Linux双系统，而机械硬盘就可以当做双系统的公共挂载盘。我们买的半高的SSD。

显示器+鼠标+键盘

这三个没有特别要求，能用就行，这里不做多介绍，可以自行决定。提醒下，由于主板已经不支持VGA接口，只支持DP和HDMI接口，所有也得买个VGA转DP接头或者VGA转HDMI接头。

结束语：

以上主要是配置深度学习硬件大致介绍，剩下的就是主机的组装了，和传统台式机组装过程是一样的，这里不做讲解。大家可以根据自己的实际情况，适当配置最符合自己要求的硬盘配置，最后建议大家最好按照双系统，Windows和Ubuntu，这样便于工作区间的切换。

填坑补充：

安装系统的时候，直接用U盘安装或者PE安装都不行，必须要拿一张低端的N卡去点亮（我是拿了一个低配的N卡才安装上系统的，费了好大牛劲了才发现这个问题~~），这个在下篇讲解安装系统的时候会讲到

参考：https://www.cnblogs.com/xuliangxing/p/7543977.html