深度学习训练通常需要大量的计算资源。GPU目前是深度学习最常使用的计算加速硬件。相对于CPU来说，GPU更便宜且计算更加密集。一方面，相同计算能力的GPU的价格一般是CPU价格的十分之一。另一方面，一台服务器通常可以搭载8块或者16块GPU。因此，GPU数量可以看作是衡量一台服务器的深度学习计算能力的一个标准。
本节主要针对购买一两台自用GPU服务器的个人用户介绍一些GPU购买须知。如果你是拥有100台机器以上的大公司用户，通常可以考虑Nvidia Tesla P100或者V100，详情请咨询数据中心维护人员。如果你是拥有10到100台机器的实验室和中小公司用户，如果预算充足，可以考虑Nvidia DGX-1，否则可以考虑购买如Supermicro之类的性价比较高的服务器。
目前独立GPU主要有AMD和Nvidia两家厂商。其中Nvidia在深度学习布局较早，对深度学习框架支持更好。因此，目前大家主要会选择Nvidia的GPU。
Nvidia有面向个人用户（例如GTX系列）和企业用户（例如Tesla系列）的两类GPU。这两类GPU的计算能力相当。然而，面向企业用户的GPU通常使用被动散热并增加了内存校验，从而更适合数据中心，并通常要比面向个人用户的GPU贵上10倍。因此，个人用户通常选用GTX系列的GPU。
Nvidia一般每一两年发布一次新版本的GPU，例如最近的GTX 1000系列。每个系列中会有数个不同的型号，分别对应不同的性能。
GPU的性能主要由以下三个参数构成：
- 计算能力。通常我们关心的是32位浮点计算能力。当然，特殊情况下也可考虑其他的计算能力，例如用16位浮点训练，用8位整数预测。
- 内存大小。当模型越大，或者训练时的批量越大时，所需要的GPU内存就越多。
- 内存带宽。只有当内存带宽足够时才能充分发挥计算能力。
对于大部分用户来说，只要考虑计算能力就可以了。我们建议GPU内存尽量不小于4GB。但如果GPU要同时显示图形界面，那么推荐的内存大小至少为6GB。至于内存带宽，通常厂家已在设计时考虑。
图11.19描绘了GTX 900和1000系列里各个型号的32位浮点计算能力和价格的对比。其中价格为Wikipedia的建议价格。
我们可以从图11.19中读出两点信息：
- 在同一个系列里面，价格和性能大体上成正比。
- GTX 1000系列比900系列在性价比上高出2倍左右。
如果大家继续比较GTX较早的系列，也可以发现类似的规律。据此，我们推荐大家在能力范围内，尽可能买较新的GPU。如果预算充足，直接买最新的GPU。如果预算相对有限，购买入门的1050TI也是个不错的选择。
通常，我们主要用GPU做深度学习训练。因此，不需要购买高端的CPU。至于整机配置，尽量参考网上推荐的中高档的配置就好。
不过，考虑到GPU的功耗、散热和体积，我们在整机配置上也需要考虑以下三个额外因素。
- 机箱体积。GPU尺寸较大，通常考虑较大且自带风扇的机箱。
- 电源。购买GPU时需要查一下GPU的功耗，例如50W到300W不等。购买电源要确保功率足够，并不会过载机房的供电。
- 主板的PCIe卡槽。推荐使用PCIe 3.0 16x来保证充足的GPU到主内存的带宽。如果搭载多块GPU，要仔细阅读主板说明，以确保多块GPU一起使用时仍然是16x带宽。注意，有些主板搭载4块GPU时会降到8x甚至4x带宽。
- 在预算范围之内，尽可能买较新的GPU。
- 整机配置需要考虑到GPU的功耗、散热和体积。
- 浏览本节讨论区中大家有关机器配置方面的交流。
扫码直达讨论区
