一、硬體採購

　　近年來，人工智慧AI越來越多被人們所瞭解，尤其是AlphaGo的人機圍棋大戰之後，機器學習的熱潮也隨之高漲。最近，公司採購了幾批裝置，通過深度學習（TensorFlow）來研究金融行業相關問題，學習機器學習我們需要滿足一定的硬體要求，本文主要是介紹硬體選購的相關事宜。

　　現在主力的深度學習都是通過多顯示卡計算來提升系統的計算能力，所以硬體的採購核心是顯示卡（GPU），下面是整個硬體採購的清單及大致費用如下：

　　以上的配置一臺裝置的總共費用大致：2.8W左右。公司購買了2臺，費用大致6W，兩臺裝置的研究方向不一樣。本來裝置這些東西按理說應該是越來越便宜才對，但是這幾年恰恰相反（%>_<%），尤其這兩年比特幣大熱（大學那會到現在，翻了一千多倍，千金難買早知道~~），很多人都買顯示卡專業挖礦去了，一度導致顯示卡熱銷，經常斷貨，價格也自然水漲船高。不僅如此，記憶體這兩年價格幾乎至少翻了一倍以上，兩年前DDR4的8G記憶體最低200不到，現在像樣點的都至少500以上（現在不流行囤金銀了，改為囤記憶體條了），SSD和機械硬碟也漲了不少，記得那年福島地震和東南亞洪水之後，供應商工廠受損，價格貌似就沒有再降下來過。這些都是題外話，我們言歸正傳，以上的價格僅供參考。

 　　其實京東上面也有不少DIY定製的一套深度學習的伺服器配置，不過主要也是分為兩種：一種是至強E系列雙CPU帶4路GPU，還有一種是I7的CPU待2路GPU。

圖1、至強 E5雙路/4路GPU

 圖2、i7 6850K/GTX1080TI雙卡(水冷)

 　　可能有些人有疑問，為什麼單I7不能帶四路GPU，而是需要雙路CPU，其實也有單CPU帶4路GPU的特例，這個在下文會解釋

1、主機板

一般來說單塊的GPU顯示卡佔用16條PCIE通道，如果想配置4塊的話，那麼則需要16*4=64條PCIE通路。而我們選擇常見的I7的CPU最高也只有40條PCIE通路，理論上來講需要2塊CPU實現雙通道處理。上面京東上大多數都是這種配置模式，當然，如果我們不想使用雙路CPU的話，要想實現單CPU支援16*4PCIE通道，目前只有Asus X99-E WS/USB 3.1，唯一 一塊主機板可以實現PCIE通路的拓展。所有如果有人想使用單個I7帶4路GPU的話，那主機板只能選擇這一款了。

 2、CPU

　　CPU的選購也是需要適配主機板型號，為了支援上述的ASUS X99-E WS USB3.1主機板，CPU為LGA2011-v3系列，同時支援最高40條PCIE通道。而且我們系統主要使用CPU顯示卡進行計算，CPU的核心數並不重要，只要擁有相對較高的主頻就可以，因此對CPU的要求其實並不是很高。這我們選擇主頻相對較高的i7-6850K（不帶核顯），也可以選擇相對較低點主頻的i7-5930K。具體根據實際情況選購，預算多一點的，可以選擇更好的。

3、顯示卡GPU

 　　其實顯示卡才是我們的主角，我們的核心計算都是需要依託GPU計算的，當然並不是所有顯示卡都可以的，我們需要能夠支援CUDA平臺（一種由NVIDIA推出的通用平行計算架構）的GPU才行，實際上也只有部分高階NVIDIA顯示卡才支援此功能，NVIDIA也可以查詢的到具體的支援列表，大家可以前往查詢——>傳送門

　　其實我們的另一個主角TensorFlow對GPU也是有要求的

　　基本上深度學習主機主要可選為：Titan Xp、1080Ti、Titan、1060與Tesla系列，深度學習模型對引數精度要求並不高，因此除非土豪，可以排出Tesla系列顯示卡。在預算充足的情況下，1080Ti是目前最佳的選擇。在顯示卡的選購過程中，肯定會遇到公版與非公版的選擇問題，這也是為什麼上面購物清單裡特意標註說明的。雖然非公版的散熱較好，且自帶超頻，但考慮到系統的穩定性與相容性，建議還是選擇公版顯示卡，畢竟我們是用來研究的，還是一個畢竟嚴謹些。另外非公版顯示卡還可能會遇到顯示卡太厚主機板放不下的問題。購買方面，大家如果方便，海淘也是一個不錯的選擇

 　　Tim Dettmers部落格也分析過主流的GPU成本效益，大家可以去看看他的部落格介紹——>傳送門

　　Normalized cost efficiency of GPUs which takes into account the price of other hardware. Here we compare a full machine, that is 4 GPUs,

　　along with a high end hardware (CPU, motherboard etc.) worth $1500.

　　在他的部落格當中，也給出了他個人的購買意見

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翻譯，哈哈)

　整體最佳GPU（由小幅度）：Titan Xp的 　成本有效的，但昂貴的：GTX 1080的Ti，GTX 1070，GTX 1080  　成本高效和廉價的：GTX 1060（6GB） 　我的資料集> 250GB工作：GTX泰坦X（麥克斯韋） ，NVIDIA Titan X Pascal，或NVIDIA Titan Xp  　我有一點錢：GTX 1060（6GB） 　我幾乎沒有錢：GTX 1050 Ti（4GB）我做Kaggle：任何“正常”比賽GTX 1060（6GB）或GTX 1080 Ti為“深度學習競賽” 　我是一名有競爭力的計算機視覺研究員：NVIDIA Titan Xp; 不要從現有的Titan X升級（Pascal或Maxwell） 　我是研究員：GTX 1080 Ti。在某些情況下，如自然語言處理，一個GTX 1070或GTX 1080也可能是一個堅實的選擇-檢查你的現有機型的記憶體需求我想建立一個GPU叢集： 這確實是複雜的，你可以得到一些想法  　這裡我開始深入學習，我很認真：從一個GTX 1060（6GB）開始。根據您下一步選擇的區域（啟動，Kaggle，研究，應用深度學習）銷售您的GTX 1060併購買更適合 　我想要深入學習的東西，但我並不太在意：GTX 1050 Ti（4或2GB）

 　　下面是購買的MSI的2塊1080ti的顯示卡

4、機箱

　　選擇NVIDIA® DIGITS™ DevBox同款機箱，大多數深度學習使用者都是使用這款機箱（他們也給我們推薦了自己的配置，大家可以參考下），我們也是採購這一款，值得推薦哦

5、電源

　　其實電源也是很重要的，尤其是其功率上，畢竟如果擴至4路的話，24小時不間斷運作的話，還是相當耗電的，如果你想以後擴至4路的話，1600w足夠了，這玩意24小時不關機，一個月下來還是挺費電的（就當是沉澱成本，O(∩_∩)O哈哈~），這個還是根據自己實際情況來，但是唯一的原則是：功率要超過所有硬體裝置的總功率，要不然帶不起來的。

6、散熱

　　散熱的話，大家可以選擇水冷或者風冷，糾結之後還是選擇了水冷，最終選擇了一款（美商海盜船（ Corsair）Hydro系列 高效能 水冷 CPU散熱器 全平臺支援 H100i V2 240mm）的水冷散熱，後期發現的確是超靜音的，噪音特別小，選擇水冷的話建議將冷排安裝在AIR540機箱的頂端，這樣可以避免頂端進灰。如果有人擔心水冷過了保質期之後會漏水，也可以選擇風冷的。

7、記憶體

　　記憶體條的大小也要根據CPU來購買的，因為I7-6850K預設主頻2400MHz，開啟XMP之後，自動超頻為3200MHz。因此建議購買DDR4 3200MHz記憶體條（2條16x2），如果不知道XMP，可以自行搜尋瞭解下。

　　XMP是Extreme Memory Profile的縮寫，是Intel在2007年9月提出的記憶體認證標準，適用於DDR3和DDR4。簡單的說，通過了英特爾XMP認證的記憶體，SPD中有兩個或更多頻率設定檔案，只要在主機板中啟用這些預設的XMP檔案，即可將記憶體條自動超頻到1600或更高值（根據檔案設定而定）。XMP與手動超頻效果基本無異，所以可將其看作為記憶體的自動超頻技術。

8、儲存

　　建議搭配SSD（固態硬碟）和HDD（機器硬碟）結合使用，SSD用作系統盤，HDD用作倉儲，建議SSD至少250G，機器硬碟現在標配也是至少是1T了。一般SSD安裝Windows和Linux雙系統，而機械硬碟就可以當做雙系統的公共掛載盤。我們買的半高的SSD，如圖所示。

9、顯示器+滑鼠+鍵盤

　　這三個沒有特別要求，能用就行，這裡不做多介紹，可以自行決定。提醒下，由於主機板已經不支援VGA介面，只支援DP和HDMI介面，所有也得買個VGA轉DP接頭或者VGA轉HDMI接頭，

10、成品展示

　　下面是已經組織好的硬體裝置

結束語：

　　以上主要是配置深度學習硬體大致介紹，剩下的就是主機的組裝了，和傳統桌上型電腦組裝過程是一樣的，這裡不做講解。大家可以根據自己的實際情況，適當配置最符合自己要求的硬碟配置，最後建議大家最好按照雙系統，Windows和Ubuntu，這樣便於工作區間的切換。

填坑補充：

　　安裝系統的時候，直接用U盤安裝或者PE安裝都不行，必須要拿一張低端的N卡去點亮（我是拿了一個低配的N卡才安裝上系統的，費了好大牛勁了才發現這個問題~~），這個在下篇講解安裝系統的時候會講到