实验平台

需求

现在的疫情很让人捉急：耽误了很多的时间、在家效率慢、实验室搞的云服务器每次要重新装环境等等问题，我都快吐了。自己想乘着这个机会配置一个2080ti主机，但是这几天了解到这个配置得1.7w左右，这个价格真的让人心痛，要是有1w2左右我就买了。这里附带一个咸鱼卖家给我的2070s配置清单。

上图这个配置清单预算是8000+，心动的感觉有没有，买了它生产力直接翻倍。每次到晚上就点开看看，胡思乱想，但是白天就被理性给压住了。买2080s型号的显卡后自己大多数实验都可以跑，而且不用每次搭建环境，这大大提高了我的生产力。我现在买了google pro，尽管显卡的问题解决了，但文件的速度却慢了下来，空空如也的显卡却让人觉得力不从心。自己有一个比长远的目标也吃硬件的配置。等一下，我怎么感觉自己为自己花钱找了好多理由！先打住。

基本知识

以前自己对计算机硬件了解可以说是小白，这些天查了许多的资料，了解了一些大概的知识。这里我来记一下基本常识，主要参照知乎大佬的文章。

https://www.zhihu.com/question/33996159/answer/698980270

硬件设备，是任何一名深度学习er不可或缺的核心装备。各位初级调参魔法师们，你们有没有感到缺少那一根命中注定的魔杖呢？

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。

选购GPU有三大注意事项：性价比、显存、散热。使用16bit的RTX 2070或者RTX 2080 Ti性价比更高。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的成绩：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）打造网络原型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%。

内存
选择内存时候有两个参数：频率和容量。其中频率作用基本没有。而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。Tim认为：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。他还在参加Kaggle比赛的过程中发现，额外的内存对特征工程非常有用。这一点怎么理解呢？ GPU可以直接和内存交互数据，如果内存比显存还大的话，还能做一些额外的工作，如特征工程。

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。

CPU和PCIe人们对PCIe通道的执念近乎疯狂！而实际上，它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。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。

PCIe通道和多GPU并行计算如果在多个GPU上训练网络，PCIe通道是否重要呢？ Tim曾在ICLR 2016上发表了一篇论文指出（https://arxiv.org/abs/1511.04561）：如果你有96个GPU，那么PCIe通道非常重要。但是，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。这不重要！

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在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。Tim预计，每为GPU增加一个核心 ，应该获得大约0-5％的额外性能提升。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。在图像处理中，我觉得一般是采用第二种！

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。Tim小哥推荐的是固态硬盘（SSD），他认为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。

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？Tim小哥有一套计算方法：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。
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。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，无法实现最佳的性能。建议GPU用水冷。

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，就需要购买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。
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。

显示器

三个屏幕就完事了，哈哈。

总结

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会用得舒坦一些，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：准备尽可能多的连接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。

装机是一个一次性学技能的事情，不要怕麻烦，学会了以后可以给别人装。最后补充一张显卡建议图：

最终结果

花了小1w配了一台1080ti主机。1080ti是技嘉的，3400。