关于做深度学习，如何配置本地工作站(CPU、GPU等一系列问题扫盲和推荐)

前言

大家都知道做深度学习研究，特别是进行多层次神经网络的运算，需要耗费大量的计算机算力和时间，而一个好的硬件可以大大减少降低训练的时间成本，特别是当我们需要对模型进行反复调参数时，时间成本的增加将会是一个灾难性的体验。

1、说说CPU和GPU

(1)、简单了解一下

CPU（Central Processing Unit）又被称作中央处理器，是一台计算机的计算处理核心，
主要负责计算机的控制命令处理和核心运算输出。
GPU（Graphics Processing Unit）又被称作图像处理器，是一台主机的显示处理核心，主要负责对计算机中的图形和图像的处理与运算。

(2)、主要异同

核心数：从硬件层面上来说，GPU相较于CPU拥有更多的核心数量，这也是为什么说GPU更适合并行运算的原因；但是CPU虽然核心数量比较少，但是其每一个核心计算单元相较于GPU的每一个核心计算单元，具有更高效的计算能力。
应用场景：CPU侧重于串行计算；GPU侧重于并行计算。

(3)、深度学习研究根据异同选择GPU的原因

在深度学习中，大多说模型的参数结构都是张量(Tensor)形式，做张量计算，就像做矩阵运算一样，存在着大量的并行计算，所以使用GPU做深度学习运算，犹如两个轮子的自行车和四个轮子的汽车一样，同样的起点和终点，到达的时间相差百倍。

2、显卡参数详解

科普性的知识：目前市面上最火的两种显卡是A卡和N卡，顾名思义，其实，A卡和N卡是不同公司所生产的。

A卡是AMD显卡（之前属于ATI，然后被AMD收购）的简称；
N卡也就是NVIDIA英伟达显卡的简称；

总体来说：无论A卡还是N卡，都是一分钱一分货，所以不差钱的，多花点钱添置一款显卡，绝对会对你的深度学习之路带来实质性的改观。在这里我们就去纠结于这两款显卡各自的特性和功耗了，我相信能买的起那么贵的显卡的人，绝对不会在乎功耗的高低，只会在乎性价比的大小，所以接下来我们就介绍一下如何选择一款适合自己的性价比很高的显卡。

(1)、购买显卡，应该从哪几方面看性能好坏？

对于任何一款显卡来说，都有一些固定的参数， 接下来以中关村在线上的详细参数测评页面介绍一下具体参数的含义： 在这里插入图片描述

芯片厂商：这个已经说过了，目前流行的就是A和N，选择显卡还是要向大牌子靠齐
显卡芯片：它的性能好坏直接决定了显卡性能的好坏，它的主要任务就是处理系统输入的视频信息并将其进行构建、渲染等工作。具体来说：GTX1080Ti，前两个数10代表代数，指的是第10代显卡，8是指的同一代中，档次的划分，数越大越好。
制作工艺：在这里没有什么可说的，肯定是数越小越好。
核心频率：非常重要的参数，直接能够影响到显卡的性能，说白了频率就相当于是能力，当然越大越好。
CUDA核心：　这个参数决定了显卡计算力的强弱，这么说吧，一个显卡相当于一个部队，CUDA核心就是指的你这个部队里面有多少兵，抛开高科技武器不谈，当然是人越多力量越大了，所以在这个参数决定了显卡的计算力强弱。

接下来继续以下一张图介绍具体参数的含义： 在这里插入图片描述

显存频率：是指默认情况下,该显存在显卡上工作时的频率,以MHz(兆赫兹)为单位。显存频率一定程度上反应着该显存的速度。
显存容量：对于这个参数而言，肯定是越大越好。
显存位宽：位宽代表的是显卡可以同时处理数据的能力，也就是同时能处理多少。
最大分辨率：显卡在显示器上所能描绘的像素点的数。

在这里举一个例子来说明一下"位宽、容量、频率" 三者之间的关系：如果我们把位宽比作公路的路宽，频率就是指的车流量，那么容量就是指的在一定时间内通过的车的数量。

3、配置的建议

个人对于配置一个什么性能的工作站的一点看法：

(1)、显卡的选择

首先是显卡：
显卡在深度学习中，具有非常重要的作用，所有有钱的同学可以配置贵的显卡，总的来说越贵越好，但是生活有点拮据但又追求性价比的话，在这里推荐两款显卡： GTX1080Ti和GTX1070Ti
这两款显卡比普通版的显卡型号多出了一个Ti，这个Ti在NVIDIA
中主要用于区别普通版显卡，表示Ti版显卡具备更强劲的性能，比如，
Ti版的显卡GTX 1080Ti就比普通版本的GTX 1080在性能上提升了至少
35%；而且， Ti版的显卡的核心数量比我们熟知的X80系列还要多，在
显卡的规格上向更高端的泰坦（TITAN）系列显卡看齐，并且Ti版的显
卡比泰坦系列拥有更实惠的性价比。