点击上方“AI算法修炼营”，选择加星标或“置顶”

标题以下，全是干货

来源：https://www.zhihu.com/question/310387269

编辑：深度学习与计算机视觉

声明：仅做学术分享，侵删

作者：丁一帆
https://www.zhihu.com/question/310387269/answer/926638382

这里介绍10K以下的机器

众所周知，深度学习是有钱人的游戏(笑)作为一个穷学生(definitely)为了不只和minist较劲，需要配置一台较好的工作站，然而学生荷包空空，实验室的服务器抢手，如何配置一台够用的服务器呢。

(洋垃圾)服务器篇：

穷人的救星，P104显卡

P104显卡，或者说是换了马甲的1070显卡，拥有8G显存，一般只要700RMB就能搞到不错的橙色，用于跑深度学习再好不过了

笔者刚好有一块P104显卡。这块卡是750rmb收的。用于跑深度学习再好不过了

大概长这样

卡支持cuda，意味着tensorflow和pytorch都可以使用

tensorflow初始化，8G显存可用

由于去掉了视频输入输出模块，该卡的温度较低，满载65摄氏度左右。

手上刚好有个PSMNet 跑一下看看温度吧

第二个epoch，其实大差不差

然后是算力？算力的话，以1080ti为坐标系1 大概是0.6-0.7左右(训练PSMnet的时候有图片加载时间，是0.7）

如果电源够大，可以考虑四块连载，效果更佳

(洋垃圾)平台篇(c612）

如果是老师付电费系列，当然可以直接选择C612

现在x99平台的cpu已经足够便宜(AMD,YES!)这里推荐使用富士康的主板和e5 2670v3*2

加起来也就1700元

拥有48条PCIE和28C 56T 足够你插4块显卡了

当然作为A fan 我肯定用amd啦

大玩具2

主力机

但是一定要知道，amd的pcie实际上是不足的，最多支持两块显卡，拿来跑小项目还行，多卡大项目是不行的

（洋垃圾）散热篇

水冷?不存在的。买不起。

基本上是靠暴力风扇来散热，做深度学习多卡一定要先考虑散热再上玩具，大部分机箱的散热性能堪忧，两块显卡就能上90度，千万别嫌吵，能上多大风扇上多大风扇。

基本上就写道这里把，我会一点cuda，主语言还是C++，人生苦短，python太慢，还是C++好。

作者：sqrt3
https://www.zhihu.com/question/310387269/answer/589429977

我觉得可以分情况讨论

1.新手：没有任何深度学习经验，想体验一下深度学习技术（跑一些现成的代码）

选择A - 各种云：个人只用过AWS云，其它的估计差不多。好处在于可以直接加载别人的预设环境，省去很多配环境的烦恼，并且学生/新手有各种优惠，基本不用花什么钱。

选择B - 淘宝租服务器：目前淘宝租一个月单卡1060服务器约400元，租一个月1080ti约1100元，还提供各种有偿配环境的服务，个人觉得比云要实在一些。

选择C - 拿自己已经有的机器：15年以前的模型基本上CPU或者MX150就能跑了，也可以顺便学学怎么配环境装驱动。

2.入门：已经学习了一些深度学习基础，打算参与实战项目，比如复现论文和改进经典的模型。

这个阶段不建议大家用云，性价比不高并且折腾的空间小，毕竟只有在不停折腾中才能不断进步。

选择A - 游戏主机： 按照家用游戏主机的思路，根据自己的经济情况选择相应的配置，可以参考网络上很多现成的推荐，也可以直接对已有主机进行升级（比如多插一块矿卡，再升级下电源）。

要注意深度学习和游戏不同的几点

• 因为希望机器能长时间高性能运转，尽量选择更好的电源/散热和主板

• 超频的本质是用速度换稳定性，所以不要考虑超频

• 把大部分的钱花在显卡上，可以上双卡（不需要主板支持SLI，只要有显卡插槽就行，两张显卡也不需要型号相同)

• 差钱的话可以考虑核显+矿卡，比如i3 8100+双P106的配置，3000元左右就能配到一台显存和算力都说过得去的深度学习主机，基本上17年以前的深度学习模型都能训练

• 10系和20系显卡的选择：如果不用FP16的话（入门玩家使用FP16有点自找麻烦），目前10系卡性价比高一些。介意二手就买20系卡，或者等将来20系砍光追的版本（gtx1180？）

选择B - 服务器主机（洋垃圾）/矿机：适合预算有限的情况下追求更高的算力和性价比，是垃圾佬的话自然懂，所以不做展开以免让大家误入歧途。但有一点需要告诫垃圾佬：显存不是简单的相加，6张p106虽然显存加起来比一张tesla v100还多，但是并不能开一样大的batch，因为模型的参数是每张卡都要复制一份的。比如你模型有3g，那你每张卡就只剩下3g分给数据了，相当于有效显存只有一半，别问我是怎么知道的。。。

3 进阶（科研方向）：已经熟练掌握深度学习知识，理论基础扎实，打算follow最新的文章，探索未知的模型架构

不同研究领域对卡的需求差别很大，听说很多做理论的数学大佬都不怎么用显卡的。我目前在学习NLP，如果想要合理的时间内fine-tuning一个BERT-base（18年最火的模型），至少要2张1080或者同等算力的专业卡。并且调参调模型一般会同时跑好几个实验，所以卡越多，进展就越快，成功的概率就越大。如果是做CV里面的和视频相关的一些task，就更加吃卡了。这种需求如果不是家里有矿，还是借助实验室或者公司比较实际。实验室一台主机8张卡，会有几个人和你一起分，就我在两个学校的经历来看大部分时间大部分卡都是空着的，只有接近论文DDL的时候会挤到爆炸。

就算有服务器的情况下最好还是按照上面的建议自己组一台/申请一台主机，显卡的话可以选择和服务器尽量接近的版本（比如服务器是v100本地就配20系，服务器是titanxp本地就配10系），毕竟本地debug更方便，并且在服务器爆炸/断电的时候还有显卡用一用。。。

4 进阶（工程方向）：已经有深度学习项目经验，实践能力强，打算开发一些fancy的应用

这一块我了解的不多，可能在云上开发应用是更合适的选择，因为云上有很多算法落地的API可以用，比如你要开发一个对话系统，就可以用云上语音转文字/文字转语音等等API来拓展使用场景。

作者：致熵
https://www.zhihu.com/question/310387269/answer/583357364

既然从笔记本转过来，说明需求也不特别大，可以考虑以下配置：

显卡2080ti，如果是上多块显卡，处理比较复杂些，单卡可以风冷，多卡必上水冷。同时多卡对主板cpu的要求大幅提高。

主板+CPU，必须要联合起来考虑，最主要的是通道数，如果是单卡，就普通桌面高级版即可，具体看CPU是哪家的，有配套。但要注意，如果是多卡，或者先单卡，之后打算升级的，也要配高通道数的板U。至于核心数，如果不考虑其他用途，少一些也没关系，核心数和钱成正比关系。

散热器：不超频可以用风冷，建议水冷稳定些。

内存：可以考虑每卡32G，当然和你的内容有关，尽量大些，同时上面的主板也要考虑最大支持内存。至于超频，为了稳定性，不建议CPU和主板内存等超频。

硬盘：建议m2固态1t，想小一点500g必须的，当然如果用两个，sata大容量SSD加一个也是可以的。至于机械硬盘，反正很便宜，接一个也可以，拆卸也方便。

机箱：一定要大些，品牌好点的。2卡以下全塔中塔都可以，如果用两个电源必须用全塔。

电源：把所有最大功耗加起来，然后除以70%。比如（以下为假设功耗）单卡250w，CPU170w（注意CPU在睿频时功率大幅高于标称的95w），主板内存条固体机械键盘风扇等算它120w，外接设备预留50w，还有什么漏了都可加上，然后除以70%，得到850w左右，如果是金牌电源可以除以80%。注意有的显卡是超频的，功率可能是320w。不要卡得很紧。电源要好点的。

显示器：平面，设计用的，4k 32-40英寸（感觉27吋实在字太小了，而2k又显示内容不够多）

键盘：机械键盘，茶的试试，不怕手累可以青的，但千万别买红轴。

最后：具体配置看需求，看预算，看计划。

作者：幽泉ba主
https://www.zhihu.com/question/310387269/answer/583763336

个人建议，工作站电脑还是不要DIY配置，直接购买专业工作站电脑整机比较好。

由于工作站的特殊性，其需要面对7*24小时满负荷工作状态，这种不是一般DIY台机出厂检查需要标准，因此不能保证DIY台机能够实现相关工况而不出现任何故障问题；而专业的工作站电脑整机在设计、配置、检测都是按照相关标准进行的，能够保证工作稳定性。

其次，就是专业工作站一般会有针对不同应用而开发的配套软件，这些也是其价值所在；而一般DIY台机是无法获取或者无法使用的（需要特定硬件支持）。

所以，如果你真的需求一台用于工作的工作站电脑，建议购买专业产品，而非DIY台机。

目标检测系列秘籍一：模型加速之轻量化网络秘籍二：非极大值抑制及回归损失优化秘籍三：多尺度检测秘籍四：数据增强秘籍五：解决样本不均衡问题秘籍六：Anchor-Free视觉注意力机制系列Non-local模块与Self-attention之间的关系与区别？视觉注意力机制用于分类网络：SENet、CBAM、SKNetNon-local模块与SENet、CBAM的融合：GCNet、DANetNon-local模块如何改进？来看CCNet、ANN
语义分割系列一篇看完就懂的语义分割综述最新实例分割综述：从Mask RCNN 到 BlendMask超强视频语义分割算法！基于语义流快速而准确的场景解析CVPR2020 | HANet:通过高度驱动的注意力网络改善城市场景语义分割基础积累系列卷积神经网络中的感受野怎么算？
图片中的绝对位置信息，CNN能搞定吗？理解计算机视觉中的损失函数深度学习相关的面试考点总结自动驾驶学习笔记系列 Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位 Apollo Udacity自动驾驶课程笔记——感知、预测 Apollo Udacity自动驾驶课程笔记——规划、控制自动驾驶系统中Lidar和Camera怎么融合？竞赛与工程项目分享系列如何让笨重的深度学习模型在移动设备上跑起来基于Pytorch的YOLO目标检测项目工程大合集目标检测应用竞赛：铝型材表面瑕疵检测基于Mask R-CNN的道路物体检测与分割
SLAM系列视觉SLAM前端：视觉里程计和回环检测视觉SLAM后端：后端优化和建图模块视觉SLAM中特征点法开源算法：PTAM、ORB-SLAM视觉SLAM中直接法开源算法：LSD-SLAM、DSO视觉SLAM中特征点法和直接法的结合：SVO
2020年最新的iPad Pro上的激光雷达是什么？来聊聊激光SLAM