为个人深度学习机器选择合适的配置

对于那些一直想进行深度学习研究的同学来说，如何选择合适的配置一直是个比较纠结的问题，既要考虑到使用的场景，又要考虑到价格等各方面因素。日前，medium上的一篇文章（http://t.cn/RYLYxXP）为我们详细描述了该如何为个人的深度学习机器选择配置，主要该进行哪些方面的考虑。以下是AI研习社的翻译：

作为一名业余爱好者，在探索和解决深度学习问题时，亚马逊 EC2 实例的运行成本太高了。在一开始，我采用的是 Reserved 实例收费模式，因为我对云生态系统不是很懂。后来，在运行结构良好的实验时，Spot 实例也成了我的选择之一。但用这种方法去启动和执行实验往往会碰到问题，我主要会在为备份和恢复数据/进程设置环境时碰到问题。很感谢 Alex Ramos 和 Slav Ivanov 提供的 Classic 和 24X7 版本的 EC2 Spotter 工具，这在使用 spot 实例时很有用。(如果你仍然使用 Spot 实例的话可以试试他们的提供的工具)

在使用亚马逊 EC2 实例大约6个月后，我意识到，长远来看，还是买一个属于自己的机器会更加便宜。买机器之后，我可以更好地控制实验，并且可能会取得比在云端更好的效果。在互联网上进行详尽的调查之后，我下定决心买属于自己的机器，然后我开始研究如何为本地深度学习来选择组件。

如何选择深度学习的组件？这真的很困扰那些刚开始实验的新手。这要求用户拥有一些关于构建系统的基本知识，以保证较高的性价比。

这篇文章试图帮助刚开始进行深度学习的读者选择机器配置，在选择产品之前帮助他们了解更多参数。

  开始

首先，你必须定下你最大需要多少块GPU，如果你经常进行机器学习研究，那你可能需要更多 GPU，这可以帮助你并行运行多个任务，你可以同时尝试不同的模型结构、数据规范化、超参数等等。

我的建议：如果你是一个普通研究员/学生/业余爱好者，可以考虑双 GPU。如果你打算运行大型的模型，并参加像 ImageNet 那样需要大量计算的竞赛，你可能需要考虑多 GPU 结构。

一旦你想清楚自己想要进行哪种研究，接下来就可以考虑需要的 PCIe 通道数了。

双 GPU（最多两块GPU）：24条 PCIe 通道（当使用共享 PCle 通道的 SSD 或同时使用两块 GPU 时，可能会出现延迟）

多 GPU (最多4 块 GPU): 40到44条 PCIe 通道

为什么首先考虑 PCIe 通道?

实际情况下，在对磁盘进行访问操作或数据增加时，数据流到GPU上会出现瓶颈。一块 GPU 需要16条 PCIe 通道才能满负荷运转。

这篇文章将着重为大家介绍双 GPU 系统，下次我也将带来多 GPU 系统的介绍。

  双GPU

1.主板

一旦确定了 PCIe 通道的需求，接下来就可以挑选主板芯片组了:

下表给出了在不同芯片组下可用 PCIe 通道的个数:

注：理想情况下，单个 GPU 发挥最优性能需要16个 PCIe 通道。

因此，即使 B150、B250、H110、H170、H270 这样的芯片组支持英特尔处理器，它们也很少用于深度学习，因为对于深度学习应用来说，需要更多的 PCIe 通道数。因此，首选芯片组如下：

Z170 — 支持第6/7代英特尔处理器。使用第7代可能需要BIOS更新。

Z270 — 支持第6/7代英特尔处理器。

(最新的) Z370 — 支持第8代英特尔处理器。

一旦你决定了芯片组，可以利用 PC Partpicker（http://t.cn/RY9vEzX）来选择主板。

你需要注意的有：

• 外形规格（例如ATX，微型ATX，EATX等）

• PCIe slot 数（最小2个 slot）

• 最大支持内存（首选 64GB）

• 内存 slot 数（最小4个 slot）

• SSD 和 SATA slot 数（你可以考虑一下）

2.处理器

选择主板之后，因为有 socket 类型等的限制，处理器的选择范围就缩小了，CPU 的选择可能会进一步依赖于 GPU。正如前面提到的，对于深度学习应用来说，CPU 主要负责数据处理和与 GPU 的通信。因此，如果我们想在数据预处理中进行并行计算，那每个核的核数和线程数将至关重要。建议大家选择多核系统(最好是4核)来处理这些任务。

需要注意的有：

• Socket 类型

• 核数量

• 费用

PS：一些处理器中可能不带散热风扇。

下面是用 PC Partpicker 选择处理器的地址：http://t.cn/RY9PAn5

  内存

当处理大数据集时，它们可能需要存储于内存中。RAM 的大小决定了内存中可以容纳的数据集的量。对于深度学习应用来说，至少选择 16G 的内存(Jeremy Howard 建议选择 32G 的内存)。Clock 越高越好，建议大家最小选择 2400 MHZ的。

要记住，让单个 stick 的内存更大！因为这可以使得剩余 slot 的扩展空间更大。我看到很多人用4*8GB的内存取代2*16GB的内存，仅仅只是因为这样价格比较便宜，但最后会导致没有升级空间。

  存储器

SSD变得越来越便宜，速度也更快了，所以HDD的价格也在持续下降。

最好有一个小容量的SSD和一个大容量的HHD。SSD倾向于存储和检索被经常使用的数据。HDD则主要用来存储将来会使用的数据。

SSD ——存储使用中的数据，价格昂贵，推荐最小买 128GB 的

HDD ——存储各种用户数据，价格相对来说会便宜一点，推荐最小买 2TB，7200RPM 的

  GPU

GPU 是配置用于深度学习的机器的核心，它们决定了在训练神经网络过程中获得的性能增益。深度学习中涉及的大部分计算都是矩阵运算，所以在相同的并行模式下，GPU 的表现胜过传统 CPU。GPU 内部有很多叫核的小型计算单元，单元中的线程能保证矩阵运算更加快速。GPU 的内存带宽也可以使得它支持对大量数据进行操作。

Tim Dettmers之前写过一篇关于如何选择用于深度学习的 GPU 的文章，这篇文章很有代表性，一旦有了新卡他也会更新，在选择 GPU 之前大家可以看下他的这篇文章（http://t.cn/R6sZh27）。

下面是他关于 GPU 选择的建议：

• 最佳 GPU 选择：Titan Xp

• 高效但昂贵：GTX 1080 Ti, GTX 1070, GTX 1080

• 高效且便宜：GTX 1060 (6GB)

• 要是处理的数据集在 250 GB 以上，那么你的选择最好是 GTX Titan X (Maxwell)、 NVIDIA Titan X Pascal 或 NVIDIA Titan Xp

• 要是资金不足，那就选择 GTX 1060 (6GB)

• 完全没钱：GTX 1050 Ti (4GB)

• 参加kaggle比赛：常规比赛选择 GTX 1060 (6GB)，深度学习类型的比赛，选择GTX 1080 Ti

• 经常参加比赛的计算机视觉研究人员：NVIDIA Titan Xp，不需要升级现有的 Titan X (Pascal 或 Maxwell)

• 研究人员：GTX 1080 Ti。在进行类似于自然语言处理的任务时，也可以选择 GTX 1070 或 GTX 1080，大家可以检查下当前模型的内存需求如何。

• 想要构造 GPU 集群：这有点复杂，你可以复制链接参考http://t.cn/RY9PQyY

• 刚刚开始想要认真进行深度学习的研究：GTX 1060 (6GB)。根据你接下来选择的领域(初创公司，Kaggle，研究，深度学习应用)，卖掉之前的 GTX 1060，然后购买更合适的。

• 抱着试一试的心态来进行深度学习研究：GTX 1050 Ti (4或2GB)

如果预算有限，强烈推荐初学者买 1060 6GB 的 GPU，新旧都可以。如果预算可以增加一点，那么建议买最近发布的 1070ti (大约430美元)，它与 1080 的性能几乎一样，但价格较低(几乎与 1070 相同)。不要去买 1070，除非你有站得住脚的理由。如果你有足够的钱，那就买 1080ti。

再啰嗦一遍，如果你真的很热衷于进行研究，那么最好买2块 1070ti，而不是1块 1080ti，这将会给你带来极大的灵活性。