本文探讨了深度学习计算的特点，分析了数据存储、CPU、GPU和内存的需求。强调了CPU在数据预处理、GPU并行计算中的作用，提出了优化的硬件配置方案，包括高频率CPU、大容量缓存、多GPU协同和高速存储系统，旨在打造高性能且经济的深度学习工作站。
引子
市场上用于深度学习训练计算机大致情况如下：
(1)服务器/工作站(支持2、4、8块GPU架构)：普遍存在噪音大，无法放置于办公环境，必须放到专门的机房，维护成本高，另外数据存储带宽、延迟、容量也不尽如意。
(2)分布式集群架构：性能强大，但是开发成本太高(太贵)，是大多数科研单位及个人无法承受。
(3)组装电脑：这类特点是价格便宜，但是在散热和功率方面依然是普通家用/游戏电脑标准，稳定性巨差。
(4)大部分GPU计算机(服务器/工作站)：重点都放在GPU卡数量上，似乎只要配上足够GPU卡，就可以了。
然而，机器硬件配置还需要整体均衡，不同的学习框架更需要不同GPU卡去适配。
主流学习框架
主流框架加速效能
上图是不同的DL框架加速效能(NVIDIA GP100为例)，不同的框架并不是GPU越多效能就越高。
深度学习计算密集，所以需要一个快速多核CPU，对吧？！
听说深度学习有很多显卡就可以了，一个高速CPU可能是种浪费？！
搭建一个深度学习系统时，最糟糕的事情之一就是把钱浪费在并非必需的硬件上。
一个高性能且经济的深度学习系统所需的硬件到底要如何配置？！
一. 深度学习计算特点与硬件配置分析：
最低0.47元/天 解锁文章
扫一扫
5385
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
