深度学习 训练吃显卡_深度学习为什么需要显卡计算？

先解释一点，深度学习为什么需要显卡计算？ 

GPU 是为大规模的并行运算而优化； 

GPU 上则更多的是运算单元(整数、浮点的乘加单元，特殊运算单元等等)； GPU 往往拥有更大带宽的显存，因此在大吞吐量的应用中也会有很好的性能。 这里有一个很有趣的解释视频，解释了GPU和CPU的计算区别。

所以显卡选择最重要，因为准备基于CUDA计算(CUDA (ComputeUnified Device Architecture) 是NVIDIA开发的GPU并行计算环境。)，所以只能选择Nvida系列的。在英伟达产品系列中，有消费领域的GeForce系列，有专业绘图领域的Quadro系列，有高性能计算领域的Tesla系列，如何选择？

有论文研究，太高的精度对于深度学习的错误率是没有提升的，而且大部分的环境框架都只支持单精度，所以双精度浮点计算是不必要，Tesla系列都去掉了。从显卡效能的指标看，CUDA核心数要多，GPU频率要快，显存要大，带宽要高。这样，最新Titan Xp算是价格便宜量又足的选择。

CPU选择： 

在深度学习任务中，CPU并不负责主要任务，单显卡计算时只有一个核心达到100%负荷，所以CPU的核心数量和显卡数量一致即可，太多没有必要，但是处理PCIE的带宽要到40。

准系统选择： 

需要支持PCIe3.0，还要支持4通道DDR4内存架构。如果要搞四显卡并行，PCIE带宽支持要达到40，并且支持4-WayNVIDA SLI技术。

RAM： 

达到显存的二倍即可，当然预算充足的话越大越好。

Power supply：

一个显卡的功率接近150-300W，四显卡建议电源在1200W以上，为了以后扩展，或选择1600W的电源。

海普森(Hipeson)——专注计算&助力科研

面向各大高校、科研院所、企事业单位，提供高性能计算产品解决方案