精华内容
下载资源
问答
  • 深度学习需要的电脑配置
    万次阅读 多人点赞
    2020-05-07 03:21:52

    深度学习核心的是GPU(深度学习加速)
    反过来说:GPU的选择将从根本上决定你的深度学习体验


    电脑配置

    1. 可以进行深度学习的显卡(有些显卡不能进行深度学习)【独立显卡】
    2. 显存的大小不能低于4G
    3. 内存的大小不能低于8G
    4. CPU不能低于四核八线程

    GPU选择建议

    1. 使用GTX 1070或更好的GPU
    2. 购买带有张量核心的RTX GPU
    3. 在GPU上进行原型设计,然后在TPU或云GPU上训练模型

    显卡型号

    显卡型号 描述
    RTX 2080 Ti 性能最好的GPU
    RTX 2080,GTX 1080(高端),RTX 2060或GTX 1060 (6GB)(中低端) 高性价比
    GTX 1070, GTX 1070 Ti, GTX 1060 性价比高,便宜
    RTX 2080 Ti, RTX 2080 使用的数据集>250GB
    GTX 1060 (6GB) 预算很少、穷人之选
    GTX 1050 Ti (4GB)/CPU(建模)+ AWS/TPU(训练) 几乎没预算
    GTX 1060 (6GB)(建模)+ AWS&#
    更多相关内容
  • Win 10 + Ubuntu 18.04 双系统安装与深度学习环境配置安装踩坑实录(上篇) 折腾了两三天总算顺利在电脑上完成了装x的双系统安装,一路走来还比较顺利,主要在ubuntu的显卡设置上躺了不少坑,特此记录 (2020/3/6)。 ...
  • 深度学习工作站配置推荐

    千次阅读 2021-07-09 08:27:55
    目前只有Nvida GPU能完整的支持深度学习,所以请购买较新的nvidia显卡(pascal、turing架构以上)2.GPU上的投资回报比基本呈线性变化,因此可以按照自己的需要配置不同GPU。3.保持工作站长期稳定工作需要一个靠谱的...

    在具体的论述之前,先说几个结论:

    1.目前只有Nvida GPU能完整的支持深度学习,所以请购买较新的nvidia显卡(pascal、turing架构以上)

    2.GPU上的投资回报比基本呈线性变化,因此可以按照自己的需要配置不同GPU。

    3.保持工作站长期稳定工作需要一个靠谱的电源,所以在电源选择上追求稳定。

    4.在现有预算下,GPU>CPU=RAM>=SSD

    5.云服务用起来简单,长期使用却十分昂贵,所以我们要有自己的硬件设施。

    1.需求分析

    (一)为什么要为深度学习专门配置工作站(服务器)?

    1.深度学习需要大量的并行计算资源,而且动辄计算几天甚至数周,而显卡(GPU)恰好适合这种工作,提供几十上百倍的加速,性能强劲的GPU能在几个小时内完成原本CPU需要数月完成的任务,所以目前深度学习乃至于机器学习领域已经全面转向GPU架构,使用GPU完成训练任务。

    2.如今即使使用GPU的深度学习任务也要持续数天乃至数月(取决于数据规模和深度学习网络模型),需要使用单独的设备保障保证训练任务能够7x24小时长期稳定运行。

    3.独立的深度学习工作站(服务器)可以方便实现实验室计算资源共享,多用户可以在个人电脑编写程序,远程访问到深度学习服务器上排队使用计算资源,减少购买设备的开支并且避免了在本地计算机配置复杂的软件环境。

    (二)深度学习工作站配置要求

    深度学习任务对计算机性能要求较高,各硬件主要完成以下操作:

    1f67a9f55ae7

    深度学习计算过程

    上述图示,深度神经网络计算大致流程,下面通过深度神经网络计算环节,分析核心硬件配置理想要求:

    1f67a9f55ae7

    各硬件性能要求

    CPU:

    因为主要使用显卡进行cuda计算,因此对CPU的要求并不是很高,频率越高、线程数越多越好,一般最低要求cpu核心数大于显卡个数。其中一个制约因素:cpu的最大PCI-E 通道数。每张显卡占用16条pcie通道才能达到最大性能,而单cpu最大支持40条pcie,也就是即使有4个pcie x16接口,只能最多达到2路x16加一路x8,插上的显卡不能发挥全部性能。不过,主板芯片组其实也可以扩充一部分pcie通道。(x99主板可以扩宽2.0的8lanes,z170可以扩充3.0的20lanes)

    显卡:

    深度学习需要较强性能的显卡进行复杂的单精度运算,通常神经网络需要大量显存和内存资源,因此需要8GB以上显存才能运行大规模的深度卷积网络,执行计算机视觉任务,一般选择GTX1070以上配置。应该购买具有较大显存的显卡。下面给出2080ti、2080、2070、1080ti、1070、1060、Titan X、Titan V的几项指标的对比:

    TFLOPS(teraFLOPS FLoating-point Operations Per Second每秒浮点运算次数)单精度

    也就是运算性能,决定了运算速度,首选1080ti、2080ti、Titan V,不过性能最强的titan V的价格是2080ti的三倍

    1f67a9f55ae7

    单精度算力

    VRAM (显存):显存大小决定了我们的网络模型能不能执行,大型的卷积神经网络会使用超过8G以上的显存,因此购买具有大显存的显卡才能够保证大多数卷积神经网络模型能够顺利执行。

    1f67a9f55ae7

    显存大小

    其中1080ti具有11G显存,能胜任较大的网络模型,性能也比较强,售价大约5000元一张具有最高的性价比。

    2080ti是最新的显卡,同样拥有11G显存,但速度是1080TI的1.5倍,售价大约9000元。

    Titan V具有12G显存,可以说能够执行绝大多数网络,并且速度是最快的,由于是面向商用,所以其价格也非常感人,约25000元一块。

    这三款较为适合深度学习图像处理任务,能完成大多数网络,可以根据预算自由选择。8G显存和6G显存的1080和1060也不失为信价比之选,但是考虑到显存的限制,还是尽量购买具有11G以上的显存的显卡。

    主板:

    前面提到了cpu提供的pcie通道数的限制,如果要使用多块显卡,就需要主板提供额外的pcie通道,一般只有服务器级别的主板才会提供扩展pcie通道如x99、x299等主板,但是使用此类主板必须搭配具有该接口的服务器级cpu(xeon系列、i7 7900x以上、i9系列等),如果不需要三块以上的显卡,使用cpu提供的40lane pcie即可。

    内存:

    深度学习需要大量数据,中间计算过程也会临时储存大量数据,一般要求具有显存2~3倍的内存,32G或64G乃至更高。内存频率越高越好。

    最低建议32G DDR4 3200MHz内存(16G*2)约2000元,预算宽裕可升级到64G(约4000元)。

    硬盘:

    深度学习需要大量数据,和较快的访问速度,一般使用一个较大的固态硬盘作为系统盘和训练数据仓储盘,另外使用hdd机械硬盘作为仓储盘。

    建议使用512G以上nVME固态硬盘(800元)搭配几TB(2TB约300元)Hdd作为储存空间

    电源、机箱:电源其实还是要买个比较稳定的,因为要保证长期稳定运行会有“无休止”的training。一般使用大品牌的经过80PLUS金牌或铂金认证的电源。只搭配一张显卡700w即可,每多一张增加400w。4*titan V大概使用1600w电源。

    显示器:显示器就是生产力,两到三台没问题。这是我的工作环境,两台显示器,一台查看运行状态,另一个查文献资料调试。

    1f67a9f55ae7

    6.jpg

    2.配置推荐

    讲完了基本需求,我们来到正题,推荐几个不同价位的配置样板,分别是

    0.深度学习入门配置 i5 8400+GTX 1060/1070/1070ti +16G RAM +256G SSD 约7000元,这个配置基本上可以尝试大部分模型,如今的网络模型越来越大、越来越深,不免遇到显存不足的情况。不过学习是一个循序渐进的过程,等到你的知识到了需要更高规格的设备,自然知道需要什么样的配置了

    1.深度学习个人进阶配置 i7 8700K+GTX 1080TI+32G RAM +512G SSD ,约15000元。有这样一个配置,大多数深度学习项目基本上不会遇到问题,如果有更深层次的需求,到了需要上集群的高水平,应该也知道需要什么样的配置了。我的建议就不管用了。。。

    2.深度学习个人完美配置,i7 9700K+GTX 2080TI2或者GTX TItan V1+64G RAM +2T SSD。约三万元,如果使用双2080TI (20000)元就能在保持高性价比的前提下拥有单台电脑相对最快的速度,使用GTX TITAN V 就达到了当前单显卡算力巅峰,并且能够完成少数显存使用超过11G的模型。

    3.深度学习实验室共享服务器,724小时运行 2080ti或者4titan V 其实前两个配置也可以拿来做共享服务器,不过计算资源太少,预算充裕可以专门购置一台高性能多显卡深度学习服务器,24*7小时运行,其他用户可以在自己的笔记本电脑和台式机上编写和初步调试卷积神经网络,本地验证无误后,上传至服务器进行训练任务。这样做可以极大的节省设备开支,最大限度的利用计算资源,也避免了每个用户单独配置复杂的软件环境。

    4.深度学习实验室共享服务器单机最高配置。基本上是单台服务器能提供的最高配置,如果要更高配置,可以模仿大型商业研究院在此基础上构建服务器集群。(相当于购买很多台这种配置,使用高速以太网互联。。一个10GE交换机可能要几万块)

    0. 深度学习个人入门配置

    i5 8400+GTX 1060/1070/1070ti +16G RAM +256G SSD 约7000元,这个配置基本上可以尝试大部分模型,如今的网络模型越来越大、越来越深,不免遇到显存不足的情况。不过学习是一个循序渐进的过程,等到你的知识到了需要更高规格的设备,自然知道需要什么样的配置了

    1f67a9f55ae7

    image.png

    1.深度学习个人进阶配置

    i7 9700K+GTX 2080TI2或者GTX TItan V1+64G RAM +2T SSD。如果使用双2080TI (20000)元就能在保持高性价比的前提下拥有单台电脑相对最快的速度,使用GTX TITAN V 就达到了当前单显卡算力巅峰,并且能够完成少数显存使用超过11G的模型。

    1f67a9f55ae7

    image.png

    可以在此基础上将显卡更换为2080ti(性能为1080ti的1.5倍,价格翻一倍 约9000元)或显存12G的titan V,达到单卡性能巅峰

    2.深度学习个人完美配置

    i7 9700K+GTX 2080TI2或者GTX TItan V1+64G RAM +2T SSD。约三万元,如果使用双2080TI (20000)元就能在保持高性价比的前提下拥有单台电脑相对最快的速度,使用GTX TITAN V 就达到了当前单显卡算力巅峰,并且能够完成少数显存使用超过11G的模型。

    1f67a9f55ae7

    image.png

    将显卡换为1080ti可以省一半的钱

    1f67a9f55ae7

    image.png

    3.深度学习实验室共享服务器

    724小时运行 2080ti或者4titan V 其实前两个配置也可以拿来做共享服务器,不过计算资源太少,预算充裕可以专门购置一台高性能多显卡深度学习服务器,24*7小时运行,其他用户可以在自己的笔记本电脑和台式机上编写和初步调试卷积神经网络,本地验证无误后,上传至服务器进行训练任务。这样做可以极大的节省设备开支,最大限度的利用计算资源,也避免了每个用户单独配置复杂的软件环境。

    1f67a9f55ae7

    image.png 显卡换为1080ti可以省一些,主板也可以替换为5000元左右的支持四路显卡sli的

    1f67a9f55ae7

    image.png

    4.深度学习实验室共享服务器单机最高配置

    基本上是单台服务器能提供的最高配置,如果要更高配置,可以模仿大型商业研究院在此基础上构建服务器集群。

    1f67a9f55ae7

    image.png

    4.显示器

    显示器当然越多越好,2-3台差不多,虽然多数任务可能都是在笔记本上完成。

    5.最后是机箱

    既然是科研设备,机箱一定要看起来有排面,一般深度学习服务器除了机柜式的以外都使用海盗船的这一款机箱

    1f67a9f55ae7

    1f67a9f55ae7

    各种服务商卖的深度学习主机也差不多就这样,注意不要被忽悠购买Tesla P系列商用计算卡,虽然是商用卡,但是性能同等的情况下比 gtx和rtx系列要贵几倍

    1f67a9f55ae7

    这是商家大概给的推荐。

    1f67a9f55ae7

    一般供应商给的配置差不多是靠谱的,就是会在有些零件用特殊渠道产品。有的商家给的配置性价比不高,比如说配置里无脑推荐titan V,25000一块,能买五张有它60%性能的1080ti,毕竟无奸不商,需要购机的朋友可以参考本文自行斟酌需要的配置,精打细算一番。唉,说多了都是泪

    展开全文
  • 21世纪计算机最大挑战—深度学习、人工智能,它帮助更多领域的应用研究获取质的进展,计算机视觉、语音识别、自动机器翻译、自动驾驶汽车、药物发现、生物信息、医学诊断、视频游戏、围棋、智能电网… 不怕千招会,...

    21世纪计算机最大挑战—深度学习、人工智能,它帮助更多领域的应用研究获取质的进展,计算机视觉、语音识别、自动机器翻译、自动驾驶汽车、药物发现、生物信息、医学诊断、视频游戏、围棋、智能电网…
    不怕千招会,就怕一招绝,对于科研人员一旦通过深度学习技术在某一个应用领域有所成就,就会获取最大的机会。
    西安坤隆计算机公司2008年进入工作站领域,专注于计算应用的最快计算硬件架构,针对深度学习GPU超算的不同环境、不同计算规模等等,提供更专业匹配、与时俱进的计算设备:

    图灵超算工作站(台式)
    图灵超算服务器(机架式)
    便携超算工作站(移动便携式)
    GPU多机集群…

    我们不仅提供种类齐全计算设备,更注重计算效能和完美计算配置,目标:保证每台机器运行软件,其性能发挥最大化、性能极致化。

    (一)UltraLAB深度学习计算设备介绍

    赶紧了解一下UltraLAB深度学习计算机型吧

    机型配置汇总表

    NO

    分类

    机型

    GPU数量

    接口

    CPU

    硬盘位

    机箱

    运行环境

    1

    工作站

    GA300i

    2块

    双PCIe 4.0 x8

    11代酷睿

    1+1

    微塔式

    办公静音

    2

    工作站

    GX650M

    10块

    11*PCIe 4.0 x16

    2*Xeon

    2+20

    双塔式

     

     

     

    GT420M

    6

    6*PCIe 4.0 x8或4*PCIe 4.0 x16

    1*Xeon

    2+20

     

     

     

     

    GR420M

    7

    7*PCIe 4.0 x16

    AMD

    2+20

     

     

    3

    服务器

    GA300

    2块

    2*PCIe 4.0 x8

    11代酷睿

    1+8

    机架式

    机房专用

     

     

    GT420

    4块

    4*PCIe 4.0 X16

    1*Xeon

     

     

     

     

     

    GX658

    8块

    2*PCIe 4.0 X16 ,6*PCIe 4.0 x8

    2*Xeon

     

     

     

    4

    便携超算工作站

    PX300G

    2

    2*PCIe 4.0 x8

    11代酷睿

    1+1

    便携式

    户外

     

     

    PA420G

    4

    4*PCIe 4.0 X16

    1*Xeon

     

     

     

     

     

    P650G

    2

    2*PCIe 4.0 X16

    2*Xeon

     

     

     

    5

    GPU集群

    CX650

     

     

     

     

    机柜式

    机房专用

     

    计算节点

    GT420

    4块

    4*PCIe 4.0 X16

    1*Xeon3

     

    或办公静音

     

    存储节点

     

     

     

     

    16/24

     

     

     硬件配置特点:
    (1)所有机型全部采用PCIe 4.0接口
    (2)双Xeon工作站(GX650M机型)支持最大10个/8个PCIe 4.0 x16(全速)
    (3)AMD工作站(GR420M机型)支持7个PCIe 4.0 x16(全速)
    (4)便携工作站(PA420G机型)支持4个PCIe 4.0 x16
    (5)集群计算节点采用PCIe 4.0 x16,节点之间采用Infiniband超低延迟网口

    我们提供完整的硬件配置架构,保证任何一个计算需求得到最快硬件配置

    (二)最新多GPU算力汇总表2022v1

    下列表格是目前单机GPU可选数量的算力汇总

    No

    型号

    卡数

    CUDA核数

    FP32    (单位Tflops)

    张量计算FP16(单位Tflops)

    显存带宽GBs

    显存  合计GB

    应用推荐

    1

    A6000

    8

    86016

    320

    2496

    768

    384

    CNN+RNN

    2

    A5000

    10

    81920

    277

    2170

    768

    100

    CNN

    3

    RTX3080Ti

    8

    81920

    273

    2128

    912

    96

    CNN

    4

    A6000

    7

    75264

    280

    2184

    768

    336

    CNN+RNN

    5

    RTX3090

    7

    73472

    249

    1995

    936

    168

    CNN+RNN

    6

    A6000

    6

    64512

    240

    1872

    768

    288

    CNN+RNN

    8

    RTX3080Ti

    7

    71680

    239

    1862

    912

    84

    CNN

    7

    A5000

    8

    65536

    222

    1736

    768

    192

    CNN+RNN

    8

    RTX3090

    6

    62976

    213

    1710

    936

    144

    CNN+RNN

    9

    RTX3080Ti

    6

    61440

    205

    1596

    912

    72

    CNN

    10

    A6000

    5

    53760

    200

    1560

    768

    240

    CNN+RNN

    13

    RTX3080

    6

    52224

    179

    1428

    760

    60

    CNN

    11

    RTX3090

    5

    52480

    178

    1425

    936

    120

    CNN+RNN

    12

    RTX3080Ti

    5

    51200

    171

    1330

    912

    60

    CNN

    12

    A5000

    6

    49152

    166

    1302

    768

    144

    CNN+RNN

    13

    A6000

    4

    43008

    160

    1248

    768

    192

    CNN+RNN

    14

    RTX3080

    5

    43520

    149

    1190

    760

    50

    CNN

    15

    RTX3090

    4

    41984

    142

    1140

    936

    96

    CNN+RNN

    16

    A5000

    5

    40960

    139

    1085

    768

    120

    CNN+RNN

    17

    RTX3080Ti

    4

    40960

    136

    1064

    912

    48

    CNN

    18

    RTX3080

    4

    34816

    119

    952

    760

    40

    CNN

    19

    A5000

    4

    32768

    111

    868

    768

    96

    CNN+RNN

    20

    RTX3090

    3

    31488

    107

    855

    936

    72

    CNN+RNN

    21

    RTX3080Ti

    3

    30720

    102

    798

    912

    36

    CNN

    22

    RTX3080

    3

    26112

    89

    714

    760

    30

    CNN

    23

    A5000

    3

    24576

    83

    651

    768

    72

    CNN+RNN

    24

    A6000

    2

    21504

    80

    624

    768

    96

    CNN+RNN

    25

    RTX3090

    2

    20992

    71

    570

    936

    48

    CNN+RNN

    26

    RTX3080Ti

    2

    20480

    68

    532

    912

    24

    CNN

    27

    RTX3080

    2

    17408

    60

    476

    760

    20

    CNN

    28

    A5000

    2

    16384

    55

    432

    768

    48

    CNN+RNN

    29

    A6000

    1

    10752

    40

    312

    768

    48

    CNN+RNN

    30

    RTX3090

    1

    10496

    36

    285

    936

    24

    CNN+RNN

    31

    RTX3080Ti

    1

    10240

    34

    266

    912

    12

    CNN

    32

    RTX3080

    1

    8704

    30

    238

    760

    10

    CNN

    33

    A5000

    1

    8192

    28

    217

    768

    24

    CNN+RNN

     

    (三)深度学习计算硬件配置推荐2022v1

    3.1 深度学习科研超值型硬件配置方案

     


    计算架构:intel第11代高频处理器(5.0GHz),2块PCIe 4.0 GPU卡
    计算特点:2块RTX3090性能超4块Titan RTX,2块RTX3080性能超4块RTX2080ti

    报价日期:2022年1月5日

    No

    产品型号

    主要配置

    显存

    CUDA处理器FP32性能指标

    理想算法

    价格

    1.1

    UltraLAB GA300i 14932-SAX

    intel第11代高频处理器(6核4.9Ghz )/32GB DDR4/ RTX3080Ti /1TB SSD /4TB SATA/微塔式(2000w) /23"图显

    12GB

    34T

    CNN

    ¥37,500

    1.2

    UltraLAB GA300i 14932-SA2X

    intel第11代高频处理器(6核@4.9Ghz )/32GB DDR4/2*RTX3080 /1.9TB SSD /6TB SATA/微塔式(2000w)/23"图显

    20GB

    60T

    CNN高性价比

    ¥47,500

    1.3

    UltraLAB GA300i 14964-SAT

    intel第11代高频处理器(8核4.9Ghz )/64GB DDR4/RTX3090 24GB /1.9TB SSD /6TB SATA/微塔式(2000w) /23"图显

    24GB

    36T

    CNN+ RNN  多用途

    ¥52,000

    1.4

    UltraLAB GA300i 15064-SA2X

    intel第11代高频处理器(8核@5.0Ghz )/64GB DDR4/ 2*RTX3080Ti /1.9TB SSD/6TB SATA/微塔式(2000w)/23"图显

    24GB

    68T

    CNN  超4*2080ti

    ¥62,000

    1.5

    UltraLAB GA300i 15096-MB2T

    intel第11代处理器(8核5.0Ghz) /96GB DDR4 /2*RTX3090 24GB /960G SSD/1.9TB SSD /8TB SATA/微塔式(2000w)/23"图显

    48GB

    72T

    CNN+ RNN 超4块Titan RTX

    ¥81,500

    1.6

    UltraLAB GA300i 150128-MB2D

    intel第11代处理器(8核5.0Ghz) /128GB DDR4 /2*A5000 24GB/ /960G SSD/1.9TB SSD/10TB SATA/微塔式(2000w)/23"图显

    48GB

    55T

    CNN+ RNN 超4块2080TI

    ¥80,500

    1.7

    UltraLAB GA300i 150128-MB2E

    intel第11代处理器(8核5.0Ghz) /128GB DDR4 /2*A6000 48GB/ 960G SSD/3.84TB SSD/10TB SATA/微塔式(2000w)/23"图显

    96GB

    80Tflops

    CNN+ RNN 超4块Titan RTX

    ¥126,000

    3.2 深度学习高性能工作站硬件配置方案

         ---超DGX Station A100、最大7块GPU+静音
     


    AMD计算结构:最大64核CPU+7个PCIe4.0 x16 GPU计算卡
    Intel计算结构:最大40核CPU+6块PCIe 4.0 x16 GPU计算卡 

     报价日期:2022年1月5日

    No

    产品型号

    主要配置

    显存

    CUDA处理器FP32性能指标

    理想算法

    价格

    3.1

    UltraLAB GT420M 139128-SA4X

    Xeon银4316(20核3.9GHz)/128GB DDR4 /4*RTX3080Ti/2TB PCIeSSD /16TB SATA/双塔式(双2000w)/27"-4K图显

    48GB

    136T

    完美型

    ¥128,000

    3.2

    UltraLAB GT420M 139128-32T4T

    Xeon银4316(20核3.9GHz)/128GB DDR4 /4*RTX3090/960GB SSD /960GB SSD/ 2TB PCIeSSD /2块16TB SATA/双塔式(双2000w)/27"-4K图显

    96GB

    142T

    全能+完美

    ¥172,000

    3.3

    UltraLAB GT420M 139128-48T6X

    Xeon银4316(20核3.9GHz)/128GB DDR4 /6*RTX3080Ti/960GB SSD /2TB M2.SSD /3块16TB SATA/双塔式(双2000w)/27"-4K图显

    72G

    171T

    全能+极致

    ¥175,000

    3.4

    UltraLAB GT420M 139192-48T5T

    Xeon银4316(20核3.9GHz)/192GB DDR4 /5*RTX3090/960GB SSD /2TB M2.SSD /3块16TB SATA/双塔式(双2000w)/27"-4K图显

    120G

    178T

    近16块Titan V最快最完美

    ¥210,000

    3.5

    UltraLAB GR420M 139256-80T7X

    AMD 3955WX(16核3.9GHz)/256GB DDR4 /7*3080Ti(涡轮)/960GB SSD/2TB M2.SSD /80TB SATA/双塔式(双2000w)/27"-4K图显

    84G

    249T

    超DGX Station A100

    ¥220,000

    3.6

    UltraLAB GT420M 139192-80T6T

    Xeon银4316(20核3.9GHz)/192GB DDR4 /6*RTX3090/960GB SSD /2TB M2.SSD /80TB SATA/双塔式(双2000w)/27"-4K图显

    144G

    213T

    近16块Titan V最快最完美

    ¥248,000

    3.7

    UltraLAB GT420M 139256-80T4E

    Xeon银4316(20核3.9GHz)/256GB DDR4    /4* A6000/960GB SSD /2TB M2.SSD /80TB SATA/双塔式(双2000w)/27"-4K图显

    192G

    160T

    超DGX Station A100

    ¥280,000

    3.8

    UltraLAB GR420M 139256-64T7X

    AMD 3955WX(16核3.9GHz)/256GB DDR4/7*3090(涡轮)/960GB SSD/3.84TB U2.SSD/64TB SATA/双塔式(双2000w)/27"-4K图显

    168G

    249T

    最强大

    ¥295,000

    3.9

    UltraLAB GT420M 135320-80T5E

    Xeon W-3345(32核3.5GHz)/384GB DDR4/    5*A6000/960GB SSD /2TB M2.SSD /80TB并行存储/双塔式(双2000w)/27"-4K图显

    240G

    200T

    超DGX Station A100

    ¥358,000

    3.10

    UltraLAB GT420M 135384-64T6E

    XeonW-3345(32核3.5GHz)/384GB DDR4/    6*A6000/1.9TB SSD /7.68TB U2.SSD /80TB并行存储/双塔式(双2000w)/27"-4K图显

    288G

    240T

    超DGX Station A100

    ¥430,000

    3.11

    UltraLAB GR420M 135512-64T7E

    AMD 3975WX(32核3.5GHz)/512GB DDR4/7*A6000/1.9TB SSD/ 7.68TB U2.SSD/80TB并行存储/双塔式(双2000w)/27"-4K图显

    336G

    280T

    地球最强

    ¥475,000

    3.3  深度学习至尊级超算工作站配置推荐
     
     ---地球最强GPU超算平台支持10块GPU+静音级 



    计算架构:CPU最大80核8/10块全速PCIe 4.0 16X,双/三槽GPU卡通吃,最大300T高速存储
    计算特点: 超9块2080ti/7块Titan RTX(114Tflops,7块RTX3090性能接近DGX-2

     

     报价日期:2022年1月5日

    No

    产品型号

    主要配置

    显存

    CUDA处理器FP32性能指标

    理想算法

    价格

    4.1

    GX650M

    239192-32T5X

    2*Xeon银4316(40核3.9GHz)/ 192GB DDR4/5*RTX3080/960GB SSD/ 2TB M2.SSD/32TB SATA/双塔式(双2000w)/27"-4K图显

    50GB

    149T

    CNN

    ¥159,900

    4.2

    GX650M

    239256-64T6X

    2*Xeon银4316(40核3.9GHz)/ 256GB DDR4/6*RTX3080 /960GB SSD/2TB M2.SSD/64TB SATA/双塔式(双2000w)/27"-4K图显

    60GB

    179T

    CNN

    ¥187,000

    4.3

    GX650M

    239256-

    64T5X

    2*Xeon银4316(40核3.9GHz)/ 256GB DDR4/5*RTX3080Ti/960GB SSD/2TB M2.SSD/64TB SATA/双塔式(双2000w)/27"-4K图显

    60GB

    171T

    计算机视觉完美型

    ¥193,000

    4.4

    GX650M

    239256-

    80T6X

    2*Xeon银4316(40核3.9GHz)/ 256GB DDR4/6*RTX3080Ti/960GB SSD/2TB M2 SSD/80TB SATA/双塔式(双2000w)/27"-4K图显

    72GB

    205T

    CNN最快

    ¥215,000

    4.5

    GX650M

    239192-

    80T4T      

    2*Xeon银4316(40核3.9GHz))/ 192GB DDR4/4*RTX3090/960GB SSD/2TB M2 SSD/80TB SATA/双塔式(双2000w)/27"-4K图显

    96GB

    142T

    全能+完美

    ¥213,000

    4.6

    GX650M

    239256-

    80T5T

    2*Xeon银4316(40核3.9GHz)/ 256GB DDR4/5*RTX3090/960GTB SSD/2TB M2 SSD/80TB SATA/双塔/27"-4K图显

    120GB

    178T

    全能+极致

    ¥245,000

    4.7

    GX650M

    239384-

    80T6T

    2*Xeon银4316(40核3.9GHz)/384GB DDR4/6*RTX3090/1.92TB SSD/2TB M2.SSD/80TB/双塔式(双2000w)/32"-4K图显

    144GB

    213T

    近16块Titan V最快最完美

    ¥275,000

    4.8

    GX650M

    239512-

    90T7T

    2*Xeon银4316(40核3.9GHz)/ 512GB DDR4/7*RTX3090/1.92T SSD/7.68TB U2SSD/90TB/双塔式(双2000w)/27"-4K图显

    168GB

    249T

    超DGX-2更快更完美

    ¥320,000

    4.9

    GX650M

    239384-

    72TAD

    2*Xeon银4316(40核3.9GHz)/ 384GB DDR4/10*A5000/1.92T SSD/7.68TB U2SSD/72TB/双塔式(双2000w)/27"-4K图显

    240GB

    277T

    超DGX-2,灭DGX Station A100¥385,000
    4.10

    GX650M

    2401T-

    72T6E

    2*Xeon金6354(36核4.0GHz)/ 1TB DDR4/6*A6000/1.92TB SSD/15TB U2SSD/72TB SATA/双塔式(双2000w)/32"-4K图显

    288GB240T最强最完美,超DGX-2¥458,000

    4.11

    GX650M

    -T1

    2*Xeon金6354(36核4.0GHz)/ 2TB DDR4/8*A6000/2TB M2SSD/15TB U2SSD/72TB SATA/双塔式(双2000w)/32"-4K图显

    384GB

    320T

    地球最强人工智能训练与推理平台

    ¥629,990

    4.12

    GX650M

    -T2

    2*Xeon铂金8358(64核3.7GHz)/ 1TB DDR4/8*A6000/4TB M2SSD/15TB U2SSD/72TB SATA/双塔式(双2000w)/32"-4K图显

    384GB320T地球最快-性能超DGX A100¥599,990

    3.5  市场唯一支持4块GPU卡---便携超算工作站配置推荐

     
    硬件架构:配备PCIe 4.0插槽,高频处理器,+最大4块RTX30系列
    机器特点:GPU超算移动平台

     报价日期:2021年12月21日

    No

    产品型号

    主要配置

    显存

    CUDA处理器FP32性能指标

    理想算法

    价格

    5.1

    UltraLAB PX300G 149128-MB2X

    intel第11代高频处理器(8核4.8Ghz )/水冷散热/128GB DDR4/2TB M2.SSD /8TB SATA 2*RTX3080Ti(涡轮)/17寸高清便携一体(1500w)/

    24GB

    68T

    CNN

    ¥79,000

    5.2

    UltraLAB PX300G 149128-MB2T

    intel第11代高频处理器(8核4.8Ghz )/水冷散热/128GB DDR4/2TB M2.SSD /16TB SATA 2*RTX3090(涡轮)/17寸高清便携一体(1500w)/

    48GB

    71T

    CNN+RNN

    ¥99,990

    5.3

    UltraLAB PA420G 139128-MB4X

    Xeon 银4316处理器(20核3.9Ghz )/128GB DDR4 /2TB M2.SSD /16TB SATA/4*RTX3080Ti(涡轮)/ 17寸高清便携一体(2000w)/

    48G

    136T

    CNN

    ¥128,000

    5.4

    UltraLAB PA420G 133192-MB4T

    Xeon 银4316处理器(20核3.9Ghz)/192GB DDR4 /2TB M2.SSD /16TB SATA/4*RTX3090(涡轮)/ 17寸高清便携一体(2000w)

    96G

    142T

    CNN+  RNN+  推理

    ¥169,900

    5.5

    UltraLAB PA420G 133192-SC4D

    Xeon 银4316处理器(20核3.9Ghz )/192GB DDR4 /3.84TB SSD /16TB SATA/4*A5000/17寸高清便携一体(2000w)

    192G

    111T

    CNN+  RNN+  推理

    ¥169,000

    5.6

    UltraLAB PA420G 133384-PD4E

    Xeon 银4316处理器(20核3.9Ghz )/384GB DDR4 /6.4TB SSD /16TB SATA/4*A6000/17寸高清便携一体(2000w)

    192G

    160T

    CNN+  RNN+  推理

    ¥269,000

    3.6  GPU超算服务器配置推荐-机房专用型

     
    硬件架构:配备PCIe 4.0插槽,高频处理器+工业级水冷散热,+最大8块RTX30系列
    机器特点:极致性能深度学习集群、云计算平台

     报价日期:2021年12月21日

    No

    产品型号

    主要配置

    显存

    CUDA处理器FP32性能指标

    理想算法

    价格

    6.1

    UltraLAB GA300 14864-SA2X

    intel第11代高频处理器(8核4.8Ghz )/水冷散热/64GB DDR4/1.9TB SSD /6TB SATA 2*RTX3080Ti(涡轮)/4U机架式(2000w)/双口万兆电口

    20GB

    60Tflops

    CNN

    ¥59,990

    6.2

    UltraLAB GA300 14896-SA2D

    intel第11代高频处理器(8核4.8Ghz )/水冷散热/96GB DDR4/1.9TB SSD /6TB SATA/2*A5000 24GB/4U机架式(2000w)/双口万兆电口

    48GB

    56Tflops

    CNN+RNN

    ¥79,000

    6.3

    UltraLAB GT300 150128-AB2T

    intel第11代高频处理器(8核5.0Ghz )/128GB DDR4/1.9TB SSD /8TB SATA 2*RTX3090(涡轮)/4U机架式(2000w)双口万兆电口

    48GB

    71Tflops

    CNN+  RNN+  推理

    ¥85,000

    6.4

    UltraLAB GT420 13996-SA4X

    Xeon 银4316处理器(20核3.9Ghz )/96GB DDR4 /1.9TB SSD /6TB SATA/4*RTX3080Ti(涡轮)/4U机架式(2000w)/双口万兆电口

    48G

    136T

    CNN

    ¥110,000

    6.5

    UltraLAB GT420 139192-SA4T

    Xeon 银4316处理器(20核3.9Ghz )/192GB DDR4 /1.9TB SSD /6TB SATA/4*RTX3090(涡轮)/4U机架式(2000w)/双口万兆电口

    96G

    142T

    CNN+  RNN+  推理

    ¥157,000

    6.6

    UltraLAB GT420 139256-SC4E

    Xeon 银4316处理器(20核3.9Ghz )/256GB DDR4 /3.84TB SSD /8TB SATA/4*A6000/4U机架式(2000w)/双口万兆电口

    192G

    160T

    CNN+  RNN+  推理

    ¥245,000

    6.7

    UltraLAB GX658 233128-PC8X

    2*Xeon 银4316处理器(20核3.9Ghz )/128GB DDR4 /960GB SSD+3.84TB U2.SSD /2*16TB SATA/8*RTX3080Ti (涡轮)/4U机架式(2000w 2+2冗余)/双口万兆电口

    96G

    273T

    CNN

    ¥265,000

    6.8

    UltraLAB GX658 233256-PC8T

    2*Xeon 银4316处理器(20核3.9Ghz )/256GB DDR4 /960GB SSD+3.84TB U2.SSD /2*16TB SATA/8*RTX3090(涡轮) /4U机架式(2000w 2+2冗余)/双口万兆电口

    192G

    285T

    CNN+  RNN+  推理

    ¥350,000

    6.9

    UltraLAB GX658 233512-PD8E

    2*Xeon 银4316处理器(20核3.9Ghz )/512GB DDR4 /960GB SSD+7.68TB U2.SSD /2*16TB SATA/8*A6000(涡轮) /4U机架式(2000w 2+2冗余)/双口万兆电口

    384G

    320T

    CNN+  RNN+  推理

    ¥520,000

    3.7 深度学习GPU多机集群配置推荐


    相关机型:
    (1)GPU计算服务器(计算节点)
     
    机型:UltraLAB GT420(2021年上市的最新机型)
    技术特点:
    采用intel第3代Xeon可扩展处理器、配备nvidia RTX 30系列GPU计算卡,网口配备56G IB网口,硬盘采用SSD,保证硬件配置计算更强、io带宽更高、整机性能全方位优化,保证多用户多任务神经元完美计算能力。

    (2)存储服务器(存储节点)
     
    相关机型:UltraLAB N630A(8盘位)、N630B(16盘位)
    技术特点:
    CPU 采用 intel Xeon第二代可扩展处理器
    高速缓存盘:配备M2.SSD确保数据处理的高速读写(读写3G/s以上)及超低io延迟、
    配备并行存储:数据备份安全可靠、最大容量到112TB(8盘位)/240TB(16盘位)
    网口:配备双56G光口,另外,整机性能全方位优化

    支持远程操作、远程管理,系统管理员和使用者直接在办公室甚至异地进行操作

    方案1 CT420深度学习集群配置推荐(计算节点5个,20块RTX3090)

    NO

    货物名称

    型号

    数量

    单价

    小计

    1

    GPU计算服务器GT420

    Xeon 银4316(20核3.9Ghz)/128GB DDR4 /4RTX3090 24GB /960GB SSD/4U机架式/56G IB光口/无显示器

    5

    149990

    749950

    2

    存储服务器N630A

    2颗Xeon 4214(24核2.2Ghz)/128GB DDR4/QP620 /960GB SSD系统盘+3.84TB高速缓存盘+112TB并行存储/4U机架式/56G IB光口/27"4K图显

    1

    79000

    79000

    3

    交换机

    36个56G IB

    1

    39000

    39000

    4

    服务器机柜

    42U,含PDU、托盘

    1

    5500

    5500

    5

    KVM

    16口 HDMI KVM切换器

    1

    4800

    4800

    6

    集群系统

    CentOS/Ubuntu、作业调度管理

    1 

    50000 

     50000

    7

    深度学习框架

    Tensorflow、Pytorch…

    1 

     

     

    合计

    ¥928,250

     

    方案2 CT420深度学习集群配置推荐(计算节点10个,40块RTX3090)

    NO

    货物名称

    型号

    数量

    单价

    小计

    1

    GPU计算服务器GT420

    Xeon 银4316(20核3.9Ghz)/128GB DDR4 /4RTX3090 24GB /960GB SSD/4U机架式/56G IB光口/无显示器

    10

    149990

    1499900

    2

    存储服务器N630A

    2颗Xeon 4214(24核2.2Ghz)/128GB DDR4/QP620 /960GB SSD系统盘+3.84TB高速缓存盘+112TB并行存储/4U机架式/56G IB光口/27"4K图显

    1

    79000

    79000

    3

    交换机

    36个56G IB

    1

    39000

    39000

    4

    服务器机柜

    42U,含PDU、托盘

    2

    5500

    11000

    5

    KVM

    16口 HDMI KVM切换器

    1

    4800

    4800

    6

    集群系统

    CentOS/Ubuntu、作业调度管理

    1 

    100000 

    100000

    7

    深度学习框架

    Tensorflow、Pytorch…

    1 

     

     

    合计

    ¥1,729,700

     

    欢迎测试验证

    图片

     

     

     

     

     

     

     


     

     

    展开全文
  • 深度学习电脑配置推荐

    万次阅读 多人点赞 2019-07-11 09:21:11
    半夜睡不着,想谈谈自己对深度学习主机配置的一些经验,想自己diy深度学习硬件的朋友可以参考一下,因为本人也不是特别资深的电脑diy爱好者,所以很多地方也是一知半解,有错误请大家指正。首先我会谈几点必须注意的...

    半夜睡不着,想谈谈自己对深度学习主机配置的一些经验,想自己diy深度学习硬件的朋友可以参考一下,因为本人也不是特别资深的电脑diy爱好者,所以很多地方也是一知半解,有错误请大家指正。首先我会谈几点必须注意的事项;然后我阐述一些配件选择的原则,因为硬件更新是很快的;最后会给出一下当下的配置清单。下面我们步入正题。

    配置深度学习主机的注意事项:

    1.一定计算好需要多大功率的电源!我们配置深度学习主机最核心的就是显卡,GPU的功耗往往很大,尤其我们经常使用两块以上的显卡。因此电源功率很重要,这是我们主机稳定工作的保障,我看到很多服务器甚至会选择双电源,但是我自己没有试过,不是很清楚双电源。

    2.双显卡以上时必须注意处理器和主板的选择。如果是双显卡以上,那么pcie就面临是工作在x16还是x8的状态,这里应该是说带宽。我们在选择CPU是就要关注他们的pcie通道数,通道数大约40条以上两个GPU才会都工作在x16状态。另外可以选择双CPU的主板,这样就可以支持两个甚至更多的GPU工作在x16状态。

    3.使用m.2固态硬盘时注意是否影响GPU工作在x16状态。这点也是个第二点有关的,就是pcie的通道资源是有限的,有的主板会写你使用m.2的固态会占用谁的资源,导致那个接口不能用。所以我一般会用sata那种接口。不过通道多的一般没什么影响,还是要看一下主板说明。

    硬件选择原则

    1.GPU选择

    因为我们核心就是为了使用GPU,所以我们就先想好用几块GPU,什么型号,然后再去选择其他配件。GPU有许多参数,比如频率,位宽,cuda数。其中√深度学习影响大的大约是这几个参数,cuda核心数数,显存大小,位宽。所以我们选择时可以主要参考这三个参数,越大越好。另外大的原则是越新的架构会越好,比如10系列的会比9系列的好,因为架构上做了优化,具体的我不懂,比如gtx1080肯定比gtx980好,gtx1060和980就要看看了,这个可以参考网上的天梯图,因为我们大部分都是买1080ti或者泰坦,所以还是好比较的。如果是专门的计算卡Tesla,就要看刚才说的三大参数。有钱当然上计算卡,没钱就游戏卡。然后想看总几块显卡,这对后面硬件的选择影响很大。

    2.CPU与主板选择

    CPU与主板是挂钩的,所以放在意思说。影响我们cpu选择的就是gpu的数目。前面提到过一个概念pcie通道数。我们使用一个gpu时,基本不用考虑pcie通道数,目前主流的8带cpu都是没问题的,当然推荐使用i7系列了,因为我们的程序除了使用gpu,很多通用计算是在cpu上进行的,他大大影响了我们程序运行的速度。另外如果是多人使用的工作站还是推荐使用至强系列的e3或者e5,一个是稳定,另一个是一般核心和线程多。多人使用时一定要注意线程数,线程越多,每个人使用时就越流畅。如果是两个那么必须使用i9或者至强系列中通道数足够的芯片。两个以上的推荐使用至强系列的cpu,而且最好是两个cpu, i9应该最多带三个gpu,别太勉强人家了。最后我们一般也都会关注主频,当然主频越高越快,价格也越贵,我认为参考主流i5的主频是个好的基准。这点也为我们选择至强系列芯片提供了参考。关键点,线程,主频,pcie通道数。然后根据cpu原则主板,一般家用芯片我们会选择z系列主板,i7八代配z370,如果是一个gpu其实我觉得好的b系列也没问题,b360之类,因为为了稳定,我们不会超频,所以b系列完全够用。这里注意的就是供电相数,大家可以查一下,因为我也不懂,就觉得数越发越好。多显卡的话,x299等x系列主板,或者其他服务器主板,就是不太好买。对了,多显卡千万不要查那个交火!!!

    3.内存

    CPU和主板支持什么内存就插哪种。主要参数就是类型,ddr4,ddr3这种的表示。频率要看主板支持多大,在主板BIOS设置中要设置才会倍频,要不白买高频率的了。内存大小,当然越大越好!还是那句话看主板支持多大的内存。一般16g一个人用足够,多个人怎么也得32g吧。毕竟matlab有时还是会用到的,内存别太小。一般就是看威刚,金士顿,芝奇,海盗船这几个牌子,芝奇,海盗船用的晶元据说好一些,金士顿也有骇客神条,还是看预算吧,一般不会差太多钱。

    4.散热器

    推荐水冷吧,要是i5什么的风冷就行,服务器主板的话,不太懂,我还是点名海盗船,还有酷冷,九州。

    5.电源

    之前说过注意功率!电源核定功率的80%差不多等于你所有配件的总功率比较好。长城,振华,海韵,海盗船推荐使用,鑫谷,安钛克,先马也还可以。这里有时提到的的金牌,银牌,白金就是转换率的不同。金牌一般就够用了。

    6.机箱

    不是越大越好,风道合理就行,当然还是买全塔式的。选品牌的质量比较好,好吧,其实我一般就买先马的,我感觉便宜。

    6.硬盘

    一般固态和机械都要,固态装系统,机械买监视级别的,放数据用。LINUX的话我一般选择把home挂载到机械盘,乱七八糟的都放自己home里。别买杂牌子吧,颗粒不会太好,使用寿命短。

    目前推荐配置表

    1.单显卡常规推荐

    这个配置整体已经算中等的,CPU这里是盒装价格,也可以考虑散片便宜一点,没什么区别,就是盒装保修三年吧。这里主板我们一般不超频,可以选用B360,具体的可以自己看一下,重点看一下内存条支持的大小和频率,供电相数。内存只能多不能再少,最后我会推荐大家一套更家庭化的低配,内存可以少一点。散热同价位可以选择九州风神的堡垒或者水元素,这两个没用过,也不好说怎么样,贵一些的就是美商海盗船的H100i,115i,150i等。电源这里之前提过推荐使用的牌子都可以入手,预算不够可以买还可以的几个牌子,功率这个算是高的,应该700w就可以,甚至650w也能带,所以我推荐的850w,以稳为主。硬盘可以根据需要调整大小,希捷的硬盘也可以。显卡的话也可以选用新出的2080ti或者泰坦,看预算吧。价格方面这个是我之前在京东看的,淘宝上的天猫旗舰店应该会便宜些,大家还是货比三家再下单。可以省不少钱。

    2.双显卡普通配置

    使用的i9带动双显卡,这里的显卡选用的微星,比较便宜,也可以换成华硕,技嘉等,现在新出了2080ti,这个价格可能已经不准了。两个泰坦的话应该问题也不大,电源能带起来。这里再补充一个服务器CPU的配置

    3.三个及以上显卡

    这种情况我还是推荐大家买品牌服务器,然后和他们沟通去定制。

    这是京东上的一个没有GPU的配置,价格肯定是要贵一些,但是没办法,因微原则上要用到两个CPU,这类主板市场不太好买,洋垃圾很多,所以最好还是找一些代理商直接定制。两个GPU之前大约算个,4.7k左右吧,如果是RTX2080ti就要贵一些,也得50k多,要加双电源。这里参考我之前说的大原则,合理定制配置,这里能省的恐怕就是内存和硬盘的大小,不会省太多钱。最最后,给各位穷鬼提供一个我认为的家用深度学习最低配。血泪省钱史啊。

    4.最低家用深度学习配置

    这里是我的以1050ti为核心的最低配置,最好最低配置一个1060 6g的,会好很多,电源还是能带起来的。内存也可以多插一个8g。要是想更多内存条只能换主板了。主板方面可以选用稍微贵一下的低端z370,可以超频。要换I7的话,还是用水冷稳点。

    最后一句话,有钱的话就随便买,舒心省心。有钱真的可以为所欲为

    2018.11.13补充 :目前看RTX2080ti 性能要好 但是价格也昂贵 ,性价比还是低 。有游戏玩家称他们的显卡有翻车的, 建议预算允许的话 ,观察一段时间再入手 。另外2080和1080ti的话,cuda核数目我没有对比,主要是显存上差距,同样的程序占用的显存在不同显卡上应该是一样的。这点涉及到一些cuda和nvidia的底层调用,我没有查过资料,想入手2080代替1080ti的查一下这部分的资料,否则加大batch size时会出现溢出的现象。

    2018.12.18补充:GTX1080ti新的基本断货,二手的现在很便宜,但是质量不敢保证,有一批之前挖矿的在鱼目混珠。建议用RTX2080代替吧,没办法了,价格比较相近,能上2080ti就上吧。另外最近看了一篇文章,讲了GPU在x8和x16状态下性能影响不大,所以普通的主板其实装两个或以上的GPU也是完全可以的,并不一定要服务器主板。这里还要考虑电源问题。
    内存的大小,至少保持和显存大小一致,频率影响不大。

    展开全文
  • 上一期我们聊了关于笔记本的一些分类和大学生如何... 目前我们会接触到的,对电脑要求比较高的专业领域一般是制图领域和深度学习领域,其他类似军工,航天等领域小鑫不了解,估计大部分人也不需要涉及到那方面去,所...
  • 深度学习中,似乎每个人都建议使用GPU。 它是什么,没有一个,您能做得到吗?它的确切对象是谁?> Photo by Florian Krumm on Unsplash任何试图大规模推广训练模型性能的数据科学家或机器学习爱好者都将在某个...
  • 深度学习电脑硬件配置

    千次阅读 2018-11-14 08:15:11
    深度学习电脑硬件配置 这一部分记录了博主在配置深度学习所用的电脑硬件的过程中使用的参数和遇到的问题,以供参考。更新于2018.11.12。 文章目录深度学习电脑硬件配置硬件配置第一种第二种主板+CPUGPU内存条 ...
  • 1. Anaconda安装 Anaconda3-2020.02-Windows-x86_64.exe conda config --add channels ...
  • RTX3070深度学习环境配置

    千次阅读 2021-01-27 16:08:30
    RTX2070深度学习环境配置话不多说,我们开始了cuda和cudnn版本tensorflow-gpu和keras测试tensorflow-gpu是否安装成功遇到的一些问题最后附上代码运行图: 话不多说,我们开始了 ps:(深度学习环境配置真的很闹心) ...
  • 2021年研究生 深度学习 30系显卡笔记本 Cuda CuDnn Pytorch 等环境配置日志 日期: 2021年10月8日 电脑配置: OS: Windows 10 CPU: Intel® Core™ i7-10870H CPU @ 2.20GHz 2.21 GHz RAM: 32.0 GB (31.8 GB 可用) ...
  • 深度学习环境配置1. 背景2. 系统相关配置3. 安装显卡驱动 1. 背景 本篇这里继续上一篇的内容,在系统配置完成后,开始配置深度学习的相关环境,在这些配置完成后,便可以直接运行相关的深度学习算法了,这里对应的是...
  • 您可以在没有cuda的情况下安装和使用keras,但是你无法使用intel高清显卡加速gpu.如果你使用Theano作为keras的后端,首先安装Theano:# for python2pip install theano# for python3pip3 install theano然后像这样设置...
  • 点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达 本文转自|机器学习算法那些事导读本文记录了组装深度学习工作站过程中的超详细操作流程,文章分为硬件...
  • 1.安装cuda ,在电脑上查询相应的cuda和cudnn版本,本机适合的CUDA版本为11.4,终端如图: 具体安装可参考https://zhuanlan.zhihu.com/p/358737417这篇 安装其实注意就是将cudnn文件夹解压后,在C盘找到cuda的文件夹...
  • 显卡中包含着深度学习加速运算的GPU,显卡又高,GPU越好。好的显卡会达到上万rmb水平 一般的水平1080ti也可以了 独立显卡(独显)优于集成显卡(集显) 就独立显卡而言,NVIDIA和AMD主要选择。两者选择,...
  • 引子市场上用于深度学习训练计算机大致情况如下:(1)服务器/工作站(支持2、4、8块GPU架构):普遍存在噪音大,无法放置于办公环境,必须放到专门的机房,维护成本高,另外数据存储带宽、延迟、容量也不尽如意。...
  • 四、补充后来在Linux服务器中安装时碰到的一些问题 在CUDA、CUDNN、Tensorflow-gpu2.0以及虚拟环境配置好后(网上有很多教程),安装pycharm,用pycharm打开.py文件。 1、pycharm中设置程序运行的虚拟环境 pycharm....
  • 这篇博客就是针对入门的深度学习环境配置教程,包含所有详细的步骤。利用anaconda安装配置pytorch环境时可以自动配置好cuda和cudnn,避免以往繁琐的系统环境配置配置环境:win10+Anaconda3+pytorch+PyCharm
  • 深度学习首先配置电脑环境,这是每个深度学习开发者的必备技能,在实际的使用中,电脑的环境也可能会出现各种各样的问题,许多时间都会花在电脑的修复中,非常浪费时间,但有时出现的问题只有电脑使用者最熟悉最...
  • 对于显卡太差的电脑,也就只能用CPU跑程序了 1 准备 1.1 下载anaconda 官网速度太慢,还是清华镜像站的快 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=A 下载完后,安装即可,怎么安装可以...
  • 深度学习环境配置记录——RTX3050

    千次阅读 2021-10-06 21:14:03
    一、下载 首先需要先了解... 本篇安装记录主要来自:B站up主 的这个视频:【包教包会】Anaconda+Cuda+Cudnn+TensorFlow+Pytorch+Pycharm+Win10深度学习环境配置与卸载,看这一个就够了_哔哩哔哩_bilibili 感谢up主分享
  • 原标题:用Windows电脑训练深度学习模型?超详细配置教程来了选自towardsdatascience作者:Ahinand机器之心编译编辑:Panda虽然大多数深度学习模型都是在 Linux 系统上训练的,但 Windows 也是一个非常重要的系统,...
  • 笔记本一般自带NVIDIA驱动(nvidia -smi即可查看) 查找:NVIDIA显卡驱动——帮助——系统信息——组件显示最高支持cuda,并不是已安装,输入nvcc —V并没有输出 2、官网cuda和cudnn安装 cuda10.0:https
  • 点击 机器学习算法与Python学习 ,选择加星标精彩内容不迷路选自towardsdatascience,作者:Ahinand机器之心编译虽然大多数深度学习模型都是在 Linux 系统上...
  • 对于刚接触深度学习的学友而言,可能都会碰到电脑配置的问题,比如显卡型号、内存容量、处理器型号等。好的电脑配置,比如GPU加速的显卡,是能够有效缩短算法的训练时间的,这能让人尽快的看到算法的结果,也便于...
  • 最近跑行为识别的网络模型,所以需要在笔记本配置深度学习的坏境,准备将踩过的坑都记录下来。巨详细的那种!!! 配置:winsows系统,GTX3050显卡。(AMD显卡不能直接调cuda,只能装虚拟机,在Linux系统上安装...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,447
精华内容 2,578
关键字:

深度学习笔记本配置