性价比深度学习3090RTX显卡 24G显存 主机配置

已于 2024-03-28 11:20:00 修改
阅读量2.2k 收藏 5
点赞数 2
CC 4.0 BY-SA版权
文章标签： 深度学习
于 2024-03-28 11:15:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Crystal_remember/article/details/137105483
本文详细列出了在2023年11月为运行深度学习模型而配置的主机配件清单，包括CPU、主板、显卡、电源、机箱、内存、固态硬盘和散热器，总价12864元，适合参考市场价格购买。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

工作学习需要配置的主机，来跑深度学习模型，2023年底11月配置的。低于市场价的为咸鱼等平台购买，具体如下，供参考  ：

 

  配件                                                                            单价（*数量）/元

CPU i5 13600kf                                                                 1670 
主板z790-p                                                                        1130         
显卡华硕3090 24G                                                             6800 
电源：振华1600w(买大了)                                                 1900
机箱： 安钛克AX90                                                            224
内存：金百达DDR5  16g*2 （可以买大点）                      280*2
固态：铠侠1T                                                                     311
散热器  利民PS120                                                            189               
风扇：利民c12cw                                                               20*4

总计                                                                                   12864

【深度学习】如何选择适合深度学习的GPU？
小哲的博客
03-14 4915
随着深度学习的发展，有了更专门的处理核心，称为张量核在执行张量/矩阵计算时，它们更快更有效。为什么使用张量处理单元，是因为在机器/深度学习中所处理的数据类型就是张量。16384 CUDA + 24GB，对比3090 的10496 CUDA ，真的很香。而4080 16G的9728CUDA 如果价格能到7000内，应该是一个性价比很高的选择。对于AMD的 7900XTX 应该也是一个很好的选择，但是兼容性是个大问题。
RTX NVIDIA 3090卡配置对应pytorch，CUDA版本，NVIDIA驱动过程及问题整理
lijunweiyhn的博客
09-20 7961
RTX NVIDIA 3090卡配置对应pytorch，CUDA版本（11.8或则12.2），NVIDIA驱动过程及问题整理
深度学习（3090）装机
Disturbet_July的博客
09-06 949
4.内存上，DDR5比ddr4提升还是比较大的，而且ddr5和ddr4的主板不兼容，以后一定是ddr5的天下，所以选择未来，选择ddr5。英伟达已经在并行计算领域深耕多年，搭配其cuda生态，用户可以很方便的完成大模型的本地部署，并行计算和深度学习模型的修改搭建等。2.人工智能专业的同学在学习深度学习和强化学习等的时候需要很大的并行计算的算力，部署和调试大语言模型需要尽可能大的内存空间。6.大语言模型非常占内存，比如千问2-72B有进400GB之大（虽然我跑不了），所以，购买2条1t ssd硬盘。
RTX 3090的深度学习环境配置指南：Pytorch、TensorFlow、Keras
weixin_36896856的博客
11-21 2902
点击上方“AI遇见机器学习”，选择“星标”公众号 重磅干货，第一时间送达来源 | 知乎编辑|极市平台作者 |Yukyin最近刚入了3090，发现网上写的各种环境配置相当混乱而且速度很...
这个双十一，我配了一台深度学习主机
云水木石
11-08 2443
然而，这并不是一篇广告。如果你也打算配一台深度学习主机，可以参考一下。跑完了杭马，结束了杭州之旅，再无法为中断的深度学习找借口了，所以，我又回来了。研究深度学习，计算机硬...
深度学习需要计算机配置,深度学习工作站配置推荐
weixin_33417703的博客
07-08 8667
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>=SSD5.云服务用起来简单，长期使用却十...
最新最全深度学习训练/GPU服务器硬件配置推荐2020
热门推荐
Su_wenfeng的博客
04-08 1万+
人工智能随着核心算法、计算能力的迅速提升，以及海量联网数据的支持，在本世纪终于迎来了质的飞跃，人工智能将是未来应用最广泛的技术之一，在市场经济领域带来更多的机遇与机会，在医学领域可以大大加快诊断速度和准确性，在军事领域人工智能武器将成为未来武器的王牌……（一）了解深度学习算法 深度学习两个主要过程：训练（Training）和推理（Inference）。其中：训练（Training）是将大量数据加载...
保姆级教程：个人深度学习工作站配置指南
墨鱼菜鸡
09-09 3101
作者丨稚晖@知乎 来源丨https://zhuanlan.zhihu.com/p/336429888 0 前言 工作原因一直想配置一台自己的深度学习工作站服务器，之前自己看完paper想做一些实验或者复现模型的时候只能用自己的日常PC来跑很麻烦...一方面电脑得装双系统，干活的时候就不能用作其他用途了；另一方面，即使是没有使用流程的问题，...
2025⼤模型训练与推理硬件采购及配置指南
风一样
02-20 2397
⽬前主流GPU⼤模型推理与训练性能⽐较。
深度学习电脑配置清单
04-29
深度学习，配置清单，详细列举了各项配置的参数，并附有说明
2023年深度学习GPU服务器配置推荐参考（1）
m0_71832273的博客
02-06 2952
支持单路三代Intel Xeon Scalable系列处理器，板载Intel C621A芯片组，16个DDR4 3200/2933MHz ECC REG DIMM。4个M.2 2260、2280、22110 SSD硬盘位，3个2.5"固定SATA3硬盘位，3个3.5"固定SATA3硬盘位，支持RAID 0、1、5、10。4个（×16）PCI-E 4.0、3个（×8）PCI-E 4.0（×16长）全高业务插槽，最大支持3块双宽一体式液冷GPU卡。支持作业状态监控，排队，优先，删除等管理功能。
深度学习电脑买什么配置---低中高三个配置
jsnuchao的博客
08-23 5787
深度学习，目标检测，电脑配置
双路RTX3090深度学习工作站方案
weixin_54757969的博客
07-27 1万+
从我的双3090深度学习工作站Nvlink真正工作起的那一刻算起，历经两个月的装机项目最终画上了句号。其间经历了各种各样的波折，我就想记录下来，或者对别人有帮助。2023年4月，随着Chat-GPT的持续升温，国内各行各业的精英目光如炬，聚焦在AI一点上。彼时，我完全是一个外行，那么一丁点的知识都是从新闻稿里读出来的。加之使用Chat-GPT还要科学上网，就放弃了。4月下旬的一天，一位总部的同事忽然和我提到了ChtGLM-6B，重点强调这个模型的好处，一是开源，二是可以本地部署。
linux双显卡配置_2020年双11装机，最新电脑装机配置推荐。3080/3090显卡配置推荐...
weixin_39569112的博客
12-31 914
入门办公型方案1：G5400奔腾双核+250G固态硬盘+8G内存CPU：英特尔G5400 奔腾双核盒装CPU处理器主板：微星H310M PRO-VDH PLUS主板 支持WIN7系统SSD：三星（SAMSUNG）250GB SSD固态硬盘 SATA3.0接口 860 EVO内存：金士顿(Kingston) DDR4 2400 8GB 骇客神条机箱：酷冷至尊(CoolerMaster)MasterB...
动手组装深度学习机器+RTX2070Super，2024年最新35岁技术人如何转型做管理
2401_84254087的博客
04-11 1150
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
深度学习硬件配置推荐(kaggle学习)
weixin_46713695的博客
10-17 6680
深度学习硬件配置推荐
第一篇 如何选择深度学习主机
AI浩
08-26 3168
这篇文章对主机和显卡的选择做了一些分析，希望能帮助到大家。如果有其他的建议，可以留言讨论。
RTX 3090性能解析与使用体验分享
tiangang2024的博客
01-13 1030
在这篇文章中，我们将探讨RTX 3090的强大性能，分析其在各种应用场景下的表现，包括游戏、图形处理和创作等。此外，我们还会分享实用户的使用体验，帮您全面了解这款显卡的优势与不足，助您做出明智的购置决策。
独立显卡主机可以加装k80显卡吗
最新发布
03-01
<think>嗯，用户问的是独立显卡主机是否可以加装K80显卡。首先，我需要了解K80显卡的基本信息。K80是NVIDIA的Tesla系列计算卡，主要用于数据中心和服务器环境，支持高性能计算和深度学习任务。它基于Kepler架构，发布于2015年，拥有双GPU设计，每个GPU有12GB GDDR5显存，总共24GB。不过，它没有视频输出接口，所以不能作为普通的图形显示卡使用，只能用于计算加速。 接下来，用户的主机是否支持安装K80，需要考虑多个因素。首先是物理空间。K80通常是全高全长的PCIe卡，长度可能在267mm左右，所以机箱内部必须有足够的空间。如果用户的机箱较小，可能无法容纳。另外，散热也是一个问题，K80的散热设计可能依赖于服务器级别的风道，普通主机的散热系统可能不足，导致温度过高。 然后是电源方面。K80的TDP约为300W，这对电源的功率和接口提出了较高要求。用户需要确保电源有足够的剩余功率，并且有对应的8针或6针PCIe供电接口。如果电源功率不足，可能需要升级电源。 主板和接口也是关键因素。K80需要PCIe 3.0 x16插槽，虽然它可以在PCIe 2.0上运行，但性能可能受限。用户的主板必须有可用的PCIe x16插槽，并且支持多显卡配置（如果打算安装多块的话）。此外，主板BIOS是否支持这类计算卡也需要考虑，有些消费级主板可能不完全兼容。 软件和驱动方面，用户需要安装NVIDIA的Tesla驱动，而不是普通的GeForce驱动。操作系统方面，虽然Windows可以支持，但K80在Linux环境下更为常见和稳定，尤其是在进行深度学习或科学计算时。用户需要确认他们的操作系统版本是否被NVIDIA驱动支持。 用途方面，如果用户是想用K80进行机器学习训练或科学计算，可能还需要考虑CUDA核心数量和架构是否满足需求。虽然K80有较多的双精度性能，但相比新的Turing或Ampere架构的显卡，其计算效率可能较低，且功耗较高。如果预算允许，可能更推荐RTX 3090、A100等更新的显卡，它们在性能和能效上更有优势。 另外，还要注意K80的二手市场情况，因为很多K80是退役的服务器部件，可能存在使用时间长或维护问题。购买时需要检查显卡的状态，是否有损坏或过度使用的情况。 总结下来，用户需要检查主机的物理空间、电源容量、主板兼容性、散热能力以及软件支持。如果这些条件都满足，理论上可以安装K80，但需要考虑其实际应用场景是否适合，以及是否有更好的替代方案。可能还需要提醒用户，如果主要用途是游戏或图形渲染，K80并不合适，因为它没有显示输出功能。</think>以下是关于独立显卡主机加装K80显卡的详细分析： ### 一、可行性判断 1. **物理兼容性** - **尺寸要求**：K80采用**全高全长**设计（约$267 \times 111 \text{mm}$），需确保： * 机箱有≥280mm的PCIe插槽空间 * 主板有可用PCIe x16插槽 - **散热要求**：该卡采用**被动散热**设计，需满足： * 机箱风道风速≥5m/s * 建议配置服务器级暴力风扇 2. **电源需求** | 参数 | 要求 | |---|---| | 单卡功耗 | 300W (峰值) | | 供电接口 | 8+6pin PCIe | | 系统电源 | 建议≥750W金牌电源 | 3. **主板兼容性** - 需支持PCIe 3.0 x16（向下兼容2.0） - BIOS需开启Above 4G Decoding - 推荐服务器主板（如超微X10系列） ### 二、性能表现对比 | 指标 | K80 (2015) | RTX 3090 (2020) | |---|---|---| | FP32性能 | 8.74 TFLOPS | 35.7 TFLOPS | | 显存容量 | 24GB GDDR5 | 24GB GDDR6X | | 能效比 | 0.029 TFLOPS/W | 0.16 TFLOPS/W | | CUDA核心 | 4992 | 10496 | ### 三、实施步骤 1. **硬件安装** ```bash 1. 关机并断开电源 2. 拆除机箱侧板 3. 对准PCIe插槽垂直插入 4. 连接8+6pin供电线 5. 固定尾部螺丝 ``` 2. **驱动配置（Linux示例）** ```bash # 安装依赖 sudo apt install build-essential dkms # 下载驱动 wget https://us.download.nvidia.com/tesla/450.80.02/NVIDIA-Linux-x86_64-450.80.02.run # 安装驱动 sudo chmod +x NVIDIA-Linux-x86_64-450.80.02.run sudo ./NVIDIA-Linux-x86_64-450.80.02.run ``` 3. **验证命令** ```bash nvidia-smi # 应显示双GPU信息 ``` ### 四、使用场景建议 ✅ **推荐用途** - 科学计算：$ \int_{0}^{\infty} e^{-x^2} dx = \frac{\sqrt{\pi}}{2} $ - 机器学习训练（TensorFlow/PyTorch） - 分子动力学模拟 ❌ **不推荐用途** - 游戏渲染（无显示输出） - 实时推理任务 - 图形工作站应用 ### 五、成本效益分析 以二手市场价格为例： - K80单卡：￥1200-1800 - 配套升级费用： - 电源升级：￥600-1000 - 散热改造：￥300-500 - 时间成本：≥4小时配置调试 建议优先考虑T4/P40等较新型号，其每瓦性能比K80提升$ \frac{5}{1} $。 ### 六、替代方案 | 方案 | 优势 | 劣势 | |---|---|---| | RTX 3090 | 支持光追，兼容性好 | 价格高 | | Tesla T4 | 能效比优异 | 显存较小 | | 云GPU租赁 | 零硬件投入 | 长期成本高 | 最终决策建议根据具体应用场景进行$ \text{ROI} = \frac{\text{预期收益}}{\text{总投入}} $计算。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Alocus_

如果我的内容帮助到你，打赏我吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值