一、硬件采购
近年来，人工智能AI越来越多被人们所了解，尤其是AlphaGo的人机围棋大战之后，机器学习的热潮也随之高涨。最近，公司采购了几批设备，通过深度学习（TensorFlow）来研究金融行业相关问题，学习机器学习我们需要满足一定的硬件要求，本文主要是介绍硬件选购的相关事宜。
现在主力的深度学习都是通过多显卡计算来提升系统的计算能力，所以硬件的采购核心是显卡（GPU），下面是整个硬件采购的清单及大致费用如下：
以上的配置一台设备的总共费用大致：2.8W左右。公司购买了2台，费用大致6W，两台设备的研究方向不一样。本来设备这些东西按理说应该是越来越便宜才对，但是这几年恰恰相反（%>_<%），尤其这两年比特币大热（大学那会到现在，翻了一千多倍，千金难买早知道~~），很多人都买显卡专业挖矿去了，一度导致显卡热销，经常断货，价格也自然水涨船高。不仅如此，内存这两年价格几乎至少翻了一倍以上，两年前DDR4的8G内存最低200不到，现在像样点的都至少500以上（现在不流行囤金银了，改为囤内存条了），SSD和机械硬盘也涨了不少，记得那年福岛地震和东南亚洪水之后，供应商工厂受损，价格貌似就没有再降下来过。这些都是题外话，我们言归正传，以上的价格仅供参考。
其实京东上面也有不少DIY定制的一套深度学习的服务器配置，不过主要也是分为两种：一种是至强E系列双CPU带4路GPU，还有一种是I7的CPU待2路GPU。
图1、至强 E5双路/4路GPU
图2、i7 6850K/GTX1080TI双卡水冷)
可能有些人有疑问，为什么单I7不能带四路GPU，而是需要双路CPU，其实也有单CPU带4路GPU的特例，这个在下文会解释
1、主板
一般来说单块的GPU显卡占用16条PCIE通道，如果想配置4块的话，那么则需要16*4=64条PCIE通路。而我们选择常见的I7的CPU最高也只有40条PCIE通路，理论上来讲需要2块CPU实现双通道处理。上面京东上大多数都是这种配置模式，当然，如果我们不想使用双路CPU的话，要想实现单CPU支持16*4PCIE通道，目前只有Asus X99-E WS/USB 3.1，唯一 一块主板可以实现PCIE通路的拓展。所有如果有人想使用单个I7带4路GPU的话，那主板只能选择这一款了。推荐使用这一款，为了后期方便扩展，我们可以暂时只买1路或者2路GPU，后期可以扩至4路。
2、CPU
CPU的选购也是需要适配主板型号，为了支持上述的ASUS X99-E WS USB3.1主板，CPU为LGA2011-v3系列，同时支持最高40条PCIE通道。而且我们系统主要使用CPU显卡进行计算，CPU的核心数并不重要，只要拥有相对较高的主频就可以，因此对CPU的要求其实并不是很高。这我们选择主频相对较高的i7-6850K（不带核显），也可以选择相对较低点主频的i7-5930K。具体根据实际情况选购，预算多一点的，可以选择更好的。
3、显卡GPU
其实显卡才是我们的主角，我们的核心计算都是需要依托GPU计算的，当然并不是所有显卡都可以的，我们需要能够支持CUDA平台（一种由NVIDIA推出的通用并行计算架构）的GPU才行，实际上也只有部分高端NVIDIA显卡才支持此功能，NVIDIA也可以查询的到具体的支持列表，大家可以前往查询——>传送门
其实我们的另一个主角TensorFlow对GPU也是有要求的
基本上深度学习主机主要可选为：Titan Xp、1080Ti、Titan、1060与Tesla系列，深度学习模型对参数精度要求并不高，因此除非土豪，可以排出Tesla系列显卡。在预算充足的情况下，1080Ti是目前最佳的选择。在显卡的选购过程中，肯定会遇到公版与非公版的选择问题，这也是为什么上面购物清单里特意标注说明的。虽然非公版的散热较好，且自带超频，但考虑到系统的稳定性与兼容性，建议还是选择公版显卡，毕竟我们是用来研究的，还是一个毕竟严谨些。另外非公版显卡还可能会遇到显卡太厚主板放不下的问题。购买方面，大家如果方便，海淘也是一个不错的选择
Tim Dettmers博客也分析过主流的GPU成本效益，大家可以去看看他的博客介绍——>传送门
Normalized cost efficiency of GPUs which takes into account the price of other hardware. Here we compare a full machine, that is 4 GPUs,
along with a high end hardware CPU, motherboard etc.) worth $1500.
在他的博客当中，也给出了他个人的购买意见
TL;DR advice
Best GPU overall by a small margin): Titan Xp
Cost efficient but expensive: GTX 1080 Ti, GTX 1070, GTX 1080
Cost efficient and cheap: GTX 1060 6GB)
I work with data sets > 250GB: GTX Titan X Maxwell), NVIDIA Titan X Pascal, or NVIDIA Titan Xp
I have little money: GTX 1060 6GB)
I have almost no money: GTX 1050 Ti 4GB)
I do Kaggle: GTX 1060 6GB) for any “normal” competition, or GTX 1080 Ti for “deep learning competitions”
I am a competitive computer vision researcher: NVIDIA Titan Xp; do not upgrade from existing Titan X Pascal or Maxwell)
I am a researcher: GTX 1080 Ti. In some cases, like natural language processing, a GTX 1070 or GTX 1080 might also be a solid choice — check the memory requirements of your current models
I want to build a GPU cluster: This is really complicated, you can get some ideas here
I started deep learning and I am serious about it: Start with a GTX 1060 6GB). Depending of what area you choose next startup, Kaggle, research, applied deep learning) sell your GTX 1060 and buy something more appropriate
I want to try deep learning, but I am not serious about it: GTX 1050 Ti 4 or 2GB)
直接google翻译，哈哈)
整体最佳GPU（由小幅度）：Titan Xp的
成本有效的，但昂贵的：GTX 1080的Ti，GTX 1070，GTX 1080
成本高效和廉价的：GTX 1060（6GB）
我的数据集> 250GB工作：GTX泰坦X（麦克斯韦） ，NVIDIA Titan X Pascal，或NVIDIA Titan Xp
我有一点钱：GTX 1060（6GB）
我几乎没有钱：GTX 1050 Ti（4GB）我做Kaggle：任何“正常”比赛GTX 1060（6GB）或GTX 1080 Ti为“深度学习竞赛”
我是一名有竞争力的计算机视觉研究员：NVIDIA Titan Xp; 不要从现有的Titan X升级（Pascal或Maxwell）
我是研究员：GTX 1080 Ti。在某些情况下，如自然语言处理，一个GTX 1070或GTX 1080也可能是一个坚实的选择-检查你的现有机型的内存需求我想建立一个GPU集群： 这确实是复杂的，你可以得到一些想法
这里我开始深入学习，我很认真：从一个GTX 1060（6GB）开始。根据您下一步选择的区域（启动，Kaggle，研究，应用深度学习）销售您的GTX 1060并购买更适合
我想要深入学习的东西，但我并不太在意：GTX 1050 Ti（4或2GB）
下面是购买的MSI的2块1080ti的显卡
4、机箱
选择NVIDIA® DIGITS™ DevBox同款机箱，大多数深度学习用户都是使用这款机箱（他们也给我们推荐了自己的配置，大家可以参考下），我们也是采购这一款，值得推荐哦
5、电源
其实电源也是很重要的，尤其是其功率上，毕竟如果扩至4路的话，24小时不间断运作的话，还是相当耗电的，如果你想以后扩至4路的话，1600w足够了，这玩意24小时不关机，一个月下来还是挺费电的（就当是沉淀成本，O∩_∩)O哈哈~），这个还是根据自己实际情况来，但是唯一的原则是：功率要超过所有硬件设备的总功率，要不然带不起来的。
6、散热
散热的话，大家可以选择水冷或者风冷，纠结之后还是选择了水冷，最终选择了一款（美商海盗船（ Corsair）Hydro系列 高性能 水冷 CPU散热器 全平台支持 H100i V2 240mm）的水冷散热，后期发现的确是超静音的，噪音特别小，选择水冷的话建议将冷排安装在AIR540机箱的顶端，这样可以避免顶端进灰。如果有人担心水冷过了保质期之后会漏水，也可以选择风冷的。
7、内存
内存条的大小也要根据CPU来购买的，因为I7-6850K默认主频2400MHz，开启XMP之后，自动超频为3200MHz。因此建议购买DDR4 3200MHz内存条（2条16×2），如果不知道XMP，可以自行搜索了解下。
XMP是Extreme Memory Profile的缩写，是Intel在2007年9月提出的内存认证标准，适用于DDR3和DDR4。简单的说，通过了英特尔XMP认证的内存，SPD中有两个或更多频率设定档案，只要在主板中启用这些预设的XMP档案，即可将内存条自动超频到1600或更高值（根据档案设定而定）。XMP与手动超频效果基本无异，所以可将其看作为内存的自动超频技术。
8、存储
建议搭配SSD（固态硬盘）和HDD（机器硬盘）结合使用，SSD用作系统盘，HDD用作仓储，建议SSD至少250G，机器硬盘现在标配也是至少是1T了。一般SSD安装Windows和Linux双系统，而机械硬盘就可以当做双系统的公共挂载盘。我们买的半高的SSD，如图所示。
9、显示器+鼠标+键盘
这三个没有特别要求，能用就行，这里不做多介绍，可以自行决定。提醒下，由于主板已经不支持VGA接口，只支持DP和HDMI接口，所有也得买个VGA转DP接头或者VGA转HDMI接头，
10、成品展示
下面是已经组织好的硬件设备
结束语：
以上主要是配置深度学习硬件大致介绍，剩下的就是主机的组装了，和传统台式机组装过程是一样的，这里不做讲解。大家可以根据自己的实际情况，适当配置最符合自己要求的硬盘配置，最后建议大家最好按照双系统，Windows和Ubuntu，这样便于工作区间的切换。
填坑补充：
安装系统的时候，直接用U盘安装或者PE安装都不行，必须要拿一张低端的N卡去点亮（我是拿了一个低配的N卡才安装上系统的，费了好大牛劲了才发现这个问题~~），这个在下篇讲解安装系统的时候会讲到
PS：如有疑问，请留言，未经允许，不得私自转载，转载请注明出处：http://www.cnblogs.com/xuliangxing/p/7543977.html
本文主要参考博客：http://timdettmers.com/ （这是老外的博客，对配置深度学习硬件很有借鉴意义）
