深度學習 對硬件的要求

之前熱衷于學習理論知識，目前想跑代碼了發現不知道從何下手，自己電腦上搭建的平臺基本就是個擺設，因為跑不起來呀。今天我們就來看看想做深度學習應該怎么下手。

首先了解下基礎知識：1、深度學習用cpu訓練和用gpu訓練的區別（1）CPU主要用于串行運算；而GPU則是大規模并行運算。由于深度學習中樣本量巨大，參數量也很大，所以GPU的作用就是加速網絡運算。

（2）CPU算神經網絡也是可以的，算出來的神經網絡放到實際應用中效果也很好，只不過速度會很慢罷了。而目前GPU運算主要集中在矩陣乘法和卷積上，其他的邏輯運算速度并沒有CPU快。

目前來講有三種訓練模型的方式：1. 自己配置一個“本地服務器”，俗稱高配的電腦。這個選擇一般是臺式機，因為筆記本的“高配”實在是太昂貴了，同一個價格可以買到比筆記本好很多的配置。

如果是長期使用，需要長期從事深度學習領域的研究，這個選擇還是比較好的，比較自由。① 預算一萬以內的機器學習臺式機/主機配置：② 從李飛飛的課程里，可以看到她的電腦配置，這個配置是機器學習的基本設置。

內存：4X8G 顯示卡： 兩個NV GTX 1070硬盤： HDD一個， SSD兩個③ 配置主機需要了解的參數（在上一篇博客中已經詳細介紹了各個參數的含義）：GPU：一個好的GPU可以將你的訓練時間從幾周縮減成幾天，所以選GPU一定要非常慎重。

可以參看GPU天梯榜，都是一些比較新的型號具有很強的性能。在英偉達產品系列中，有消費領域的GeForce系列，有專業繪圖領域的Quadro系列，有高性能計算領域的Tesla系列，如何選擇？

有論文研究，太高的精度對于深度學習的錯誤率是沒有提升的，而且大部分的環境框架都只支持單精度，所以雙精度浮點計算是不必要，Tesla系列都去掉了。

從顯卡效能的指標看，CUDA核心數要多，GPU頻率要快，顯存要大，帶寬要高。這樣，最新Titan X算是價格便宜量又足的選擇。CPU：總的來說，你需要選擇一個好的GPU，一個較好的CPU。

作為一個高速的串行處理器，常用來作為“控制器”使用，用來發送和接收指令，解析指令等。

由于GPU內部結構的限制，使得它比較適合進行高速的并行運算，而并不適合進行快速的指令控制，而且許多的數據需要在GPU和CPU之間進行存取，這就需要用到CPU，因為這是它的強項。

內存條：主要進行CPU和外設之間的數據交換，它的存取速度要比硬盤快好幾倍，但是價格比較昂貴，通常會和容量成正比。

內存大小最起碼最起碼最起碼要大于你所選擇的GPU的內存的大小（最好達到顯存的二倍，當然有錢的話越大越好）。在深度學習中，會涉及到大量的數據交換操作（例如按batch讀取數據）。

當然你也可以選擇將數據存儲在硬盤上，每次讀取很小的batch塊，這樣你的訓練周期就會非常長。

常用的方案是“選擇一個較大的內存，每次從硬盤中讀取幾個batch的數據存放在內存中，然后進行數據處理”，這樣可以保證數據不間斷的傳輸，從而高效的完成數據處理的任務。

電源問題：一個顯卡的功率接近300W，四顯卡建議電源在1500W以上，為了以后擴展，可選擇更大的電源。固態硬盤：作為一個“本地存儲器”，主要用于存儲各種數據。由于其速度較慢，價格自然也比較便宜。

建議你選擇一個較大容量的硬盤，通常會選擇1T/2T。一個好的方法是：“你可以利用上一些舊的硬盤，因為硬盤的擴展十分簡單，這樣可以節省一部分資金。”

谷歌人工智能寫作項目：神經網絡偽原創

做深度學習的服務器需要哪些配置？

要做一個深度學習的服務器，需要的配置有GPU RAM, 儲存器，因為GPU是在我做深度學習服務器里面一個非常重要的部分，相當于是一個心臟，是非常核心的一個服務器，所以GPU是一個非常重要的東西，儲存器也是相當重要的，因為很多數據都要放在ssd儲存器上寫作貓。

要做深度學習用的服務器還是建議你去找專業公司做，其實自己也是可以做的。但是買回來不一定能裝好啊，裝好了也不一定能用啊.試錯的成本太大了，個人不建議自己配置。

推薦了解下藍海大腦服務器，他們有一款服務器專為做深度學習訓練而研發，支持2個英特爾可擴展處理器家族CPU，芯片主要采用龍芯、飛騰、申威、海光。機架式設計，即插即用。深度學習服務器節能效果也是不錯的。

深度學習吃什么配置

看你的需求了，如果想跑大一點的神經網絡（e.g. AlexNet），最好是用GTX 770或更好的Titan, K40等GPU。如果只是MNIST上跑著玩一般的卡就可以。

對CPU沒有太多要求，顯卡的內存要大于3g要使用CUDNN的話，GPU的運算能力必須達到3.0。沒有GPU也是可以的，但是會非常的慢對GPU沒有要求，唯一的要求就是顯卡要支持cuda（A卡淚奔。。

）。如果你顯卡不支持cuda，也不要緊，可以用CPU跑。在你的網絡配置文件solver.prototxt文件最后一行，設置為CPU模式即可。

深度學習吃cpu嗎

據我所知，目前還沒有出現吃CPU的生物，因為CPU的只要成分是封裝材料、銅、還有半導體材料，這些材料在自然界都不能夠被分解，雖然可以在某些酸或者堿溶液中發生反應，但是由于太堅硬對自然界的生物依然是大難題。

因此，除非這個深度學習是地外生物有特殊的消化系統，不然是不會吃的。因您大可以放心把CPU放在家里。

學生做深度學習有什么高性價比的電腦配置推薦?

建議買x99、x299，c422等主板，PCIE通道40多個，4通道內存，擴展性良好，性能不夠直接加顯卡就行。

每張顯卡需要8個或16個PCIE通道，固態硬盤還要占用4個，普通的z490主板只有16個通道，更低端的就更少了，明顯沒有擴展能力。

x99還能找到庫存全新的，才1700塊左右，買的時候注意PCIE卡槽間距離，一個顯卡要占用兩個卡槽的位置。再加個拆機的1400左右的18核至強e5 2690v4。

以后1個顯卡，2個顯卡，3個顯卡，4個顯卡隨便上，完美。顯卡(Video card，Graphics card)全稱顯示接口卡，又稱顯示適配器，是計算機最基本配置、最重要的配件之一。

顯卡作為電腦主機里的一個重要組成部分，是電腦進行數模信號轉換的設備，承擔輸出顯示圖形的任務。

顯卡接在電腦主板上，它將電腦的數字信號轉換成模擬信號讓顯示器顯示出來，同時顯卡還是有圖像處理能力，可協助CPU工作，提高整體的運行速度。對于從事專業圖形設計的人來說顯卡非常重要。

民用和軍用顯卡圖形芯片供應商主要包括AMD(超微半導體)和Nvidia(英偉達)2家。現在的top500計算機，都包含顯卡計算核心。在科學計算中，顯卡被稱為顯示加速卡。

自己的電腦可以跑深度學習嗎

小白求教深度學習電腦配置

深度學習的配置是需要一些投入的，所以應該分階段來購買配置比較合理。

初學者：臺式機，內存8G，16G左右，GPU用GTX1050，沒有也是可以的，剩下的你開心就好理由：剛剛學習深度學習，所以需要打好理論知識基礎，簡單的深度學習例子跑跑，熟悉算法，提高興趣就可以了。

MNIST和CIFAR10的圖像分類等等作為入門的例子，并不需要太大的計算力，加上現階段因為人工智能和比特幣的熱潮，加上吃雞游戲風靡，所以高端顯卡有點貴。

已入門：臺式機 內存32G? GTX1080Ti 固態硬盤理由：這一階段的時間，主要耗費在數據訓練，數據清洗（如果有的話），一個好的GPU可以幫助你節省大量的訓練時間，固態硬盤可以更快的讀寫文件專業級別研究者以及企業屬于這個范疇，其他不說了，能多好就多好，只說下GPU，主要就是使用Titan啊，Teras啊這種級別的顯卡，價格高的不要不要的，推薦使用云服務的GPU服務器吧希望以上回答可以幫到你。

?

總結

以上是生活随笔為你收集整理的深度系统吃配置吗的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。