深度学习机器配置装机指南：从GPU到显示器，全套硬件推荐

青旅半醒 2022-12-19 06:10 172阅读 0赞

**1、GPU**

显卡（GPU）是深度学习的重要部件，甚至比CPU更重要。做深度学习不用GPU只用CPU显然是不明智的，慢的如乌龟，跑个模型等几天，难熬，但适合摸鱼

使用16bit的RTX 2070或者RTX 2080 Ti性价比更高。另外购买二手的32bit GTX 1070、GTX 1080或者1080 Ti也是不错的选择。

除了GPU核心，显存（GPU RAM）也是不可忽视的部分。RTX比GTX系列显卡在显存方面更具优势，在显存相同的情况下，RTX能够训练两倍大的模型。

通常对显存的要求如下：

*  如果想在研究中追求最高成绩：显存>=11 GB；
 *  在研究中搜寻有趣新架构：显存>=8 GB；
 *  其他研究：8GB；
 *  Kaggle竞赛：4~8GB；
 *  创业公司：8GB（取决于具体应用的模型大小）
 *  公司：打造原型8GB，训练不小于11GB

需要注意的是，如果你购买了多个RTX显卡，一定不要忽视散热。两个显卡堆叠在相邻PCI-e插槽，很容易令GPU过热降频，可能导致性能下降30%。

--------------------

**2、内存**

选择内存（RAM）有两个参数：时钟频率、容量

**2.1、时钟频率**

内存频率和数据转移到显存的速度无关，提高频率最多只能有3%的性能提升

**2.2、内存容量**

内存大小不会影响深度学习性能，但是它可能会影响你执行GPU代码的效率。内存容量大一点，CPU就可以不通过磁盘，直接和GPU交换数据。

所以用户应该配备与GPU显存匹配的内存容量。如果有一个24GB显存的Titan RTX，应该至少有24GB的内存。但是，如果有更多的GPU，则不一定需要更多内存。

内存关系到你能不能集中资源，解决更困难的编程问题。如果有更多的内存，你就可以将注意力集中在更紧迫的问题上，而不用花大量时间解决内存瓶颈。

额外的内存对特征工程非常有用。

--------------------

**3、CPU**

过分关注CPU的性能和PCIe通道数量，是常见的认知误区。用户更需要关注的是CPU和主板组合支持同时运行的GPU数量。

**3.1、CPU和PCIe**

PCIe通道对深度学习性能几乎没有影响。

如果只有一个GPU，PCIe通道的作用只是快速地将数据从内存传输到显存。

ImageNet里的32张图像（32x225x225x3）在16通道上传输需要1.1毫秒，在8通道上需要2.3毫秒，在4通道上需要4.5毫秒。

这些只是是理论数字，实际上PCIe的速度只有理论的一半。PCIe通道通常具有纳秒级别的延迟，因此可以忽略延迟。

用32张ImageNet图像的mini-batch，训练ResNet-152模型所需要的传输时间：

*  前向和后向传输：216毫秒
 *  16个PCIe通道CPU-> GPU传输：大约2毫秒（理论上为1.1毫秒）
 *  8个PCIe通道CPU-> GPU传输：大约5毫秒（2.3毫秒）
 *  4个PCIe通道CPU-> GPU传输：大约9毫秒（4.5毫秒）

因此，在总用时上，从4到16个PCIe通道，性能提升约3.2％。但是，如果PyTorch的数据加载器有固定内存，则性能提升为0％。因此，如果使用单个GPU，请不要在PCIe通道上浪费金钱。

在选择CPU PCIe通道和主板PCIe通道时，要保证你选择的组合能支持你想要的GPU数量。如果买了支持2个GPU的主板，而且希望用上2个GPU，就要买支持2个GPU的CPU，但不一定要查看PCIe通道数量。

**3.2、PCIe通道和多GPU并行计算**

如果GPU数量少于4个，则根本不必关心PCIe通道。几乎很少有人同时运行超过4个GPU，所以不要在PCIe通道上花冤枉钱，大型的数据模型例外，真有8卡GPU就可以考虑PCIe通道问题

**3.3、CPU核心数**

为了选择CPU，首先需要了解CPU与深度学习的关系。

CPU为深度学习中起到什么作用？当在GPU上运行深度网络时，CPU几乎不会进行任何计算。CPU的主要作用有：（1）启动GPU函数调用（2）执行CPU函数。

到目前为止，CPU最有用的应用是数据预处理。有两种不同的通用数据处理策略，具有不同的CPU需求。

第一种策略是在训练时进行预处理，第二种是在训练之前进行预处理。

对于第一种策略，高性能的多核CPU能显著提高效率。建议每个GPU至少有4个线程，即为每个GPU分配两个CPU核心。

对于第二种策略，不需要非常好的CPU。建议每个GPU至少有2个线程，即为每个GPU分配一个CPU核心。用这种策略，更多内核也不会让性能显著提升。

**3.4、CPU时钟频率**

4GHz的CPU性能是否比3.5GHz的强？对于相同架构处理器的比较，通常是正确的。但在不同架构处理器之间，不能简单比较频率。CPU时钟频率并不总是衡量性能的最佳方法。

在深度学习的情况下，CPU参与很少的计算：比如增加一些变量，评估一些布尔表达式，在GPU或程序内进行一些函数调用。所有这些都取决于CPU核心时钟率。

--------------------

**4、硬盘/固态硬盘（SSD）**

通常，硬盘不会限制深度学习任务的运行，但如果小看了硬盘的作用，可能会让你追、悔、莫、及。

想象一下，如果你从硬盘中读取的数据的速度只有100MB/s，那么加载一个32张ImageNet图片构成的mini-batch，将耗时185毫秒。

相反，如果在使用数据前异步获取数据，将在185毫秒内加载这些mini-batch的数据，而ImageNet上大多数神经网络的计算时间约为200毫秒。所以，在计算状态时加载下一个mini-batch，性能将不会有任何损失。

推荐固态硬盘（SSD），SSD在手，舒适度和效率皆有。和普通硬盘相比，SSD程序启动和响应速度更快，大文件的预处理更是要快得多。

顶配的体验就是NVMe SSD了，比一般SSD更流畅。

--------------------

**5、电源装置（PSU）**

一个程序员对电源最基础的期望，首先得是能满足各种GPU所需能量吧。随着GPU朝着更低能耗发展，一个质量优秀的PSU能陪你走很久。

应该怎么选？计算方法：将电脑CPU和GPU的功率相加，再额外加上10%的功率算作其他组件的耗能，就得到了功率的峰值。

举个例子，如果你有4个GPU，每个功率为250瓦，还有一个功率为150瓦的CPU，则需电源提供4×250+150+100=1250瓦的电量。

通常会在此基础上再额外添加10%确保万无一失，那就总共需要1375瓦。所以这种情况下，电源性能需达1400瓦。

还有一点得注意，即使一个PSU达到了所需瓦数，也可能没有足够的PCIe 8-pin或6-pin的接头，所以买的时候还要确保电源上有足够多的接头接GPU。

另外，买一个能效等级高的电源，特别是当你需要连很多GPU并且可能运行很长时间的时候，原因你懂的。

--------------------

**6、CPU和GPU的冷却**

对于产热大户CPU和GPU来说，散热性不好会降低它们的性能。对CPU来说，则标配的散热器，或者AIO水冷散热器都是不错的选择。但GPU该用哪种散热方案，却是个复杂的事。

**6.1、风冷散热**

如果只有单个GPU，风冷是安全可靠的，但若你GPU多达3-4个，靠空气冷却可能就不能满足需求了。

目前的GPU会在运行算法时将速度提升到最大，所以功耗也达到最大值，一旦温度超过80℃，很有可能降低速度，无法实现最佳性能。

对于深度学习任务来说这种现象更常见了，一般的散热风扇远达不到所需效果，运行几秒钟就达到温度阈值了。如果是用多个GPU，性能可能会降低10%~25%。

怎么办？目前，英伟达GPU很多是针对游戏设计的，所以对于Windows系统进行了专门的优化，也可以轻松设置风扇方案。

但在Linux系统中这招就不能用了，麻烦的是，很多深度学习库也都是针对Linux编写的。

这是一个问题，但也不是无解。

在Linux系统中，你可以进行Xorg服务器的配置，选择“coolbits”选项，这对于单个GPU还是很奏效。

若你有多个GPU， 就必须模拟一个监视器，如果你想在空气冷却的环境中运行3-4个小时，则最应该注意风扇的设计。

目前市场上的散热风扇原理大致有两种：鼓风式的风扇将热空气从机箱背面推出，让凉空气进来；非鼓风式的风扇是在GPU中吸入空气达到冷却效果。

所以，如果你有多个GPU彼此相邻，那么周围就没有冷空气可用了，所以这种情况，一定不要用非鼓风式的散热风扇了。

**6.2、水冷散热**

水冷散热虽然比风冷法成本略高，但很适用于多个GPU相邻的情况，它能hold住四个最强劲的GPU保持周身凉爽，是风冷无法企及的效果。

另外，水冷散热可以更安静地进行，如果你在公共区域运行多个GPU，水冷的优势更为凸显了。

**6.3、结论**

对于单个GPU，风冷便宜也够用；多个GPU情况下，鼓风式的空气冷却比较便宜，可能会带来10%~15%的性能损失。如果想追求散热极致，水冷散热安静且效果最好。

所以，风冷or水冷都合理，看你自己的实际情况和预算了。通常情况下，还是考虑下低成本的风冷吧。

--------------------

**7、主板**

主板应该有足够的PCIe插槽来支持所需的GPU数量。但需要注意的是，大多数显卡宽度需要占用两个PCIe插槽。

如果打算使用多个GPU，就要购买PCIe插槽之间有足够空间的主板，确保显卡之间不会相互遮挡。

--------------------

**8、机箱**

选机箱的时候，必须保证机箱能装下主板顶部的全长GPU，虽然大部分机箱是没问题的，但是万一你买小了，那就得看商家给不给你七天无理由了……

所以，买之前最好确认一下机箱的尺寸规格，也可以搜一下机箱装着GPU的图，有别人的成品图的话就能买得放心一些。

另外，如果你想用定制水冷的话，保证你的机箱能装得下散热器，尤其是给GPU用定制水冷的时候，每个GPU的散热器都需要占空间。

--------------------

**9、显示器**

作为一个成熟的技术人员，用多台显示器是基本配置了。

--------------------

**10、太长不看版**

**GPU**：

RTX 2070、RTX 2080 Ti、GTX 1070、GTX 1080、GTX 1080，这些都不错。

**CPU**：

1.给每个GPU配1-2个CPU核心，具体要看你预处理数据的方式；

2.频率要大于2GHz，CPU要能支持你的GPU数量；

3.PCIe通道不重要。

**内存**：

1.时钟频率无关紧要，内存买最便宜的就行了；

2.内存 ≥ 显存最大的那块GPU的RAM；

3.内存不用太大，用多少买多少；

4.如果你经常用大型数据集，买更多内存会很有用。

**硬盘/SSD**：

1.给你的数据集准备足够大的硬盘（≥3TB）；

2.有SSD会用的舒坦一些，还能预处理小型数据集。

**PSU**：

1.需要的功率最大值≈（CPU功率+GPU功率）×110%；

2.买一个高能效等级的电源，特别是当你需要连很多GPU并且可能运行很长时间的时，这样可以节省很多电费；

3.买之前请确保电源上有足够多的接头（PCIe 8-pin或6-pin）接GPU。

**散热**：

CPU：

标准配置的CPU散热器或者AIO水冷散热器；

GPU：

1.单个GPU，风冷散热即可；

2.若用多个GPU，选择鼓风式风冷散热或水冷散热。

**主板**：

准备尽可能多的链接GPU的PCle插槽，一个GPU需要两个插槽，每个系统最多4个GPU，不过你也要考虑GPU的厚度。

**显示器**：

为了提高效率，多买几块屏幕吧。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70]: /images/20221120/4db2bfec899b48ad8d9c3184bb149ced.png

深度学习机器配置装机指南：从GPU到显示器，全套硬件推荐

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关深度学习硬件基础：CPU与GPU

相关深度学习如何指定GPU

相关 OpenCV实战：从图像处理到深度学习的全面指南

相关【机器学习】深度学习配置指南

相关深度学习机器配置装机指南：从GPU到显示器，全套硬件推荐

相关机器学习硬件条件_机器学习的先决条件

相关硬件基础---拆装机

相关 GPU硬件结构

相关 2019年最全最新深度学习训练硬件配置推荐

相关深度学习与“免费”GPU