深度学习怎么配置电脑硬件

❶ 深度学习吃什么配置

看你的需求了，如果想跑大一点的神经网络（e.g. AlexNet），最好是用GTX 770或更好的Titan, K40等GPU。如果只是MNIST上跑着玩一般的卡就可以。 对CPU没有太多要求，显卡的内存要大于3g要使用CUDNN的话，GPU的运算能力必须达到3.0。没有GPU也是可以的，但是会非常的慢对GPU没有要求，唯一的要求就是显卡要支持cuda（A卡泪奔。。）。如果你显卡不支持cuda，也不要紧，可以用CPU跑。在你的网络配置文件solver.prototxt文件最后一行，设置为CPU模式即可。

❷ 如何配置一台深度学习主机

搞AI，谁又能没有“GPU之惑”？下面列出了一些适合进行深度学习模型训练的GPU，并将它们进行了横向比较，一起来看看吧！

❸ 学生做深度学习有什么高性价比的电脑配置推荐

建议买x99、x299，c422等主板，PCIE通道40多个，4通道内存，扩展性良好，性能不够直接加显卡就行。

每张显卡需要8个或16个PCIE通道，固态硬盘还要占用4个，普通的z490主板只有16个通道，更低端的就更少了，明显没有扩展能力。

x99还能找到库存全新的，才1700块左右，买的时候注意PCIE卡槽间距离，一个显卡要占用两个卡槽的位置。再加个拆机的1400左右的18核至强e5 2690v4。以后1个显卡，2个显卡，3个显卡，4个显卡随便上，完美。

显卡(Video card，Graphics card)全称显示接口卡，又称显示适配器，是计算机最基本配置、最重要的配件之一。

显卡作为电脑主机里的一个重要组成部分，是电脑进行数模信号转换的设备，承担输出显示图形的任务。

显卡接在电脑主板上，它将电脑的数字信号转换成模拟信号让显示器显示出来，同时显卡还是有图像处理能力，可协助CPU工作，提高整体的运行速度。

对于从事专业图形设计的人来说显卡非常重要。 民用和军用显卡图形芯片供应商主要包括AMD(超微半导体)和Nvidia(英伟达)2家。

现在的top500计算机，都包含显卡计算核心。在科学计算中，显卡被称为显示加速卡。

❹ 做深度学习，需要配置专门的GPU服务器吗

深度学习是需要配置专门的GPU服务器的:

深度学习的电脑配置要求：

1、数据存储要求

在一些深度学习案例中，数据存储会成为明显的瓶颈。做深度学习首先需要一个好的存储系统，将历史资料保存起来。

主要任务：历史数据存储，如：文字、图像、声音、视频、数据库等。

数据容量：提供足够高的存储能力。

读写带衫袭灶宽：多硬盘并行读写架构提高数据读写带宽。

接口：高带宽，同时延迟低。

传统解决方式：专门的存储服务器，借助万兆端口访问。

缺点：带宽不高，对深度学习的数据读取过程时间长(延迟大，两台机器之间数据交换)，成本还巨高。

2、CPU要求

当你在GPU上跑深度网络时，CPU进行的计算很少，但是CPU仍然需要处理以下事情：

（1）数据从存储系统调入到内存的解压计算。

（2）GPU计算前的数据预处理。

（3）在代码中写入并读取变量，执行指令如函数调用，创建小批量数据，启动到GPU的数据传输。

（4）GPU多卡并行计算前，每个核负责一块卡的所需要的数据并行切分处理和控制。

（5）增值几个变量、评估几个布尔表达式、在GPU或在编程里面调用几个函数——所有这些会取决于CPU核的频率，此时唯有提升CPU频率。

传统解决方式：CPU规格很随意，核数和频率没有任何要求。

3、GPU要求

如果或扮你正在构建或升级你的深度学习系统，你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上，收获巨大。

主要任务：承担深度学习的数据建模计算、运行复杂算法。

传统架构：提供1~8块GPU。

4、内存要求

至少要和你的GPU显存存大小相同的内存。当然你也能用更小的内存工作，但是，你或许需要一步步转移数据。总而言之，如果钱够而且需要做很多预处理，就不必在内存瓶颈上兜转，浪费时间。

主要任务：存放预处理禅虚的数据，待GPU读取处理，中间结果存放。

深度学习需要强大的电脑算力，因此对电脑的硬件配置自然是超高的，那么现在普通的高算力电脑需要高配置硬件。

❺ 深度学习 对硬件的要求

之前热衷于学习理论知识，目前想跑代码了发现不知道从何下手，自己电脑上搭建的平台基本就是个摆设，因为跑不起来呀。今天我们就来看看想做深度学习应该怎么下手。

首先了解下基础知识：
1、深度学习用cpu训练和用gpu训练的区别
（1）CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算。

（2）CPU算神经网络也是可以的，算出来的神经网络放到实际应用中效果也很好，只不过速度会很慢罢了。而目前GPU运算主要集中在矩阵乘法和卷积上，其他的逻辑运算速度并没有CPU快。

目前来讲有三种训练模型的方式：
1. 自己配置一个“本地服务器”，俗称高配的电脑。
这个选择一般是台式机，因为笔记本的“高配”实在是太昂贵了，同一个价格可以买到比笔记本好很多的配置。如果是长期使用，需要长期从事深度学习领域的研究，这个选择还是比较好的，比较自由。
①
预算一万以内的机器学习台式机/主机配置：

②
从李飞飞的课程里，可以看到她的电脑配置，这个配置是机器学习的基本设置。

内存：4X8G
显示卡： 两个NV GTX 1070

硬盘： HDD一个， SSD两个

③ 配置主机需要了解的参数（在上一篇博客中已经详细介绍了各个参数的含义）：
GPU：一个好的GPU可以将你的训练时间从几周缩减成几天，所以选GPU一定要非常慎重。可以参看GPU天梯榜，都是一些比较新的型号具有很强的性能。
在英伟达产品系列中，有消费领域的GeForce系列，有专业绘图领域的Quadro系列，有高性能计算领域的Tesla系列，如何选择？有论文研究，太高的精度对于深度学习的错误率是没有提升的，而且大部分的环境框架都只支持单精度，所以双精度浮点计算是不必要，Tesla系列都去掉了。从显卡效能的指标看，CUDA核心数要多，GPU频率要快，显存要大，带宽要高。这样，最新Titan
X算是价格便宜量又足的选择。
CPU：总的来说，你需要选择一个好的GPU，一个较好的CPU。作为一个高速的串行处理器，常用来作为“控制器”使用，用来发送和接收指令，解析指令等。由于GPU内部结构的限制，使得它比较适合进行高速的并行运算，而并不适合进行快速的指令控制，而且许多的数据需要在GPU和CPU之间进行存取，这就需要用到CPU，因为这是它的强项。
内存条：主要进行CPU和外设之间的数据交换，它的存取速度要比硬盘快好几倍，但是价格比较昂贵，通常会和容量成正比。内存大小最起码最起码最起码要大于你所选择的GPU的内存的大小（最好达到显存的二倍，当然有钱的话越大越好）。在深度学习中，会涉及到大量的数据交换操作（例如按batch读取数据）。当然你也可以选择将数据存储在硬盘上，每次读取很小的batch块，这样你的训练周期就会非常长。常用的方案是“选择一个较大的内存，每次从硬盘中读取几个batch的数据存放在内存中，然后进行数据处理”，这样可以保证数据不间断的传输，从而高效的完成数据处理的任务。
电源问题：一个显卡的功率接近300W，四显卡建议电源在1500W以上，为了以后扩展，可选择更大的电源。
固态硬盘：作为一个“本地存储器”，主要用于存储各种数据。由于其速度较慢，价格自然也比较便宜。建议你选择一个较大容量的硬盘，通常会选择1T/2T。一个好的方法是：“你可以利用上一些旧的硬盘，因为硬盘的扩展十分简单，这样可以节省一部分资金。”

❻ 做深度学习的自然语言处理对电脑的配置有什么要求

• 四颗TITAN X GPU，每颗GPU有12GB内存

• 64GB DDR4

• 华硕X99-E WS工作站级主板支持4路PCI-E Gen3 x16

• 酷睿i7-5930K 6核3.5GHz台式机处理器

• 三个3TB SATA 6Gb 3.5“企业级硬盘RAID5

• 用于RAID的512GB PCI-E M.2 SSD缓存

• 250GB SATA 6Gb内置SSD

• 包括EVGA在内的高级供应商的1600W电源装置

• Ubuntu 14.04

• NVIDIA合格的驱动程序

• NVIDIA®（英伟达™）CUDA®工具包

• NVIDIA®DIGITS™SW

• NVIDIA®cuDNN™

• Caffe，Theano，火炬，BIDMach

• NVIDIA®DIGITS™DevBox 官方参考

❼ 小白求教深度学习电脑配置

深度学习的配置是需要一些投入的，所以应该分阶段来购买配置比较合理。

初学者：

台式机，内存8G，16G左右，GPU用GTX1050，没有也是可以的，剩下的你开心就好

理由：刚刚学习深度学习，所以需要打好理论知识基础，简单的深度学习例子跑跑，熟悉算法，提高兴趣就可以了。MNIST和CIFAR10的图像分类等等作为入门的例子，并不需要太大的计算力，加上现阶段因为人工智能和比特币的热潮，加上吃鸡游戏风靡，所以高端显卡有点贵。

已入门：

台式机 内存32G GTX1080Ti 固态硬盘

理由：这一阶段的时间，主要耗费在数据训练，数据清洗（如果有的话），一个好的GPU可以帮助你节省大量的训练时间，固态硬盘可以更快的读写文件

专业级别

研究者以及企业属于这个范畴，其他不说了，能多好就多好，只说下GPU，主要就是使用Titan啊，Teras啊这种级别的显卡，价格高的不要不要的，推荐使用云服务的GPU服务器吧

希望以上回答可以帮到你