熟悉深度學習的人都知道，深度學習需要訓練。所謂訓練，就是在成千上萬個變量中尋找最佳值的計算。這需要不斷的嘗試去識別，最終的數值不是人工確定的數字，而是壹個正規的公式。通過這種像素級的學習，不斷總結規律，計算機可以實現像人壹樣思考。因此，更擅長並行計算和高帶寬的GPU成為關註的焦點。
很多人覺得深度學習GPU服務器配置和普通服務器有些不同，就像很多人覺得做設計的機器壹定很貴壹樣。其實只要顯卡或者CPU滿足深度學習的應用，就可以進行深度學習。因為CPU的核心數和架構相對於深度學習來說效率遠不如GPU，所以大部分深度學習服務器都是由高端顯卡運行的。
以下是關於如何選擇深度學習GPU服務器以及如何選擇深度學習服務器的壹些原則和建議:
1.電源:質量有保證，電力充足，有30~40%冗余。
穩定，穩定還是穩定。好的電源可以保證主機長時間運行不停機不重啟。可想而知，如果在計算過程中突然重啟，就得重新開始，不僅效率降低，還會影響心情。有些電源在低負載下使用可能不會有問題，但在高負載下運行就容易出問題。在選擇電源的時候，壹定要選擇有冗余，質量過硬的電源，不要隨便超功率。
2.顯卡:目前主流的RTX3090和最新的RTX4090也會上市。
顯卡在深度學習中起著重要的作用，也是預算的壹大部分。預算有限，可以選擇RTX3080 /RTX3090/RTX4090(上個月剛發布，本月12上市)。如果預算充足，可以選擇專業的深度學習卡泰坦RTX/特斯拉v 100/a 6000/a 100/h 100(供貨暫停中)等等。
3.CPU:兩者占優。這裏要講的是PC級和服務器級處理器的定位。
英特爾的處理器有至強、酷睿、賽揚、奔騰、Atom5，服務器端用的是至強。目前市面上最常見的是Core。目前是第三代至強可擴展系列處理器，分為白金、黃金、白銀三種。
AMD處理器分為銳龍銳龍、銳龍銳龍Pro、銳龍Threadripper、驍龍EPYC，其中驍龍是服務器端的CPU，銳龍是最常見的。目前是第三代EPYC(驍龍)處理器，AMD第三代EPYC 7003系列最高64核。
選擇單向還是雙向取決於軟件。單純用GPU計算，其實CPU並沒有太大的負荷。考慮到更多的用途，當然CPU也不能太差。主流的高性能多核多線程CPU就夠了。
4.內存:單個16G/32G/64G可選。服務器級內存有ECC功能，PC級內存沒有，這壹點很重要。
內存32G起步，內存可以擴展，夠用就好。如果不夠，可以以後再補充。買多了也是浪費。
5.硬盤:固態硬盤和機械硬盤。通常系統盤為了速度用固態硬盤，數據盤為了存儲用機械盤。
大品牌企業級的固態選擇，Nvme或者SATA協議差別不大，所以不要考慮雜固態，突然用起來就不好了。
6.機箱平臺:服務器層面，建議選擇超微主板平臺，穩定可靠是第壹要求。
預留足夠的空間方便升級，比如現在用單塊顯卡，以後再加壹塊顯卡；結構要合理，合理的空間更有利於空氣流通。最好加幾個散熱效果好的機箱風扇輔助散熱。溫度也是導致不穩定的壹個因素。
7.軟件和硬件支持/解決方案:是。
應用方向:深度學習、定量計算、分子動力學、生物信息學、雷達信號處理、地震數據處理、光學自適應、轉碼解碼、醫學成像、圖像處理、密碼破解、數值分析、計算流體力學、計算機輔助設計等眾多科研領域。
軟件:Caffe，TensorFlow，Abinit，Amber，Gromacs，Lamps，Namd，VMD，Materials Studio，Wien2K，Gaussian，Vasp，CFX，OpenFoam，ABAQUS，ANSYS，LS-DYNA，Maple，MATLAB，Blast，FFTW，NASTRAN的安裝，調試，優化，培訓，維護等技術支持和服務。
————————————————
版權聲明:本文為CSDN博主“AI 17316391579”原創文章，遵循CC 4.0 BY-SA版權協議。轉載請附上原出處鏈接和本聲明。
原文鏈接:/AI 17316391579/文章/詳情/12753617。