GPU 硬件¶
1.概述¶
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指标。
2.GPU 选择¶
目前独立显卡主要有 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(如 GTX 系列)和企业用户(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显存校验，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。
如果是拥有 100 台机器以上的大公司用户，通常可以考虑针对企业用户的 NVIDIA Tesla 系列。 如果是拥有 10~100 台机器的实验室和中小公司用户，预算充足的情况下可以考虑 NVIDIA DGX 系列， 否则可以考虑购买如 Supermicro 之类的性价比比较高的服务器，然后再购买安装 GTX 系列的 GPU。
NVIDIA 一般每一两年发布一次新版本的 GPU，例如 2016 年发布的 GTX 1000 系列以及 2018 年发布的 RTX 2000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 3 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。16 位浮点训练也开始流行，如果只做预测的话也可以用 8 位整数。
- 显存大小。当模型越大或者训练时的批量越大时，所需要的显存就越多。
- 显存带宽。只有当显存带宽足够时才能充分发挥计算能力。
对大部分用户来说，只要考虑计算能力就可以了。显存尽量不小于 4GB。但如果 GPU 要同时显示图形界面，那么推荐的显存大小至少为6GB。 显存带宽通常相对固定，选择空间较小。
下图描绘了 GTX 900 和 GTX 1000 系列里各个型号的 32 位浮点计算能力和价格的对比(其中的价格为Wikipedia的建议价格)。
我们可以从上图中读出以下两点信息:
- 在同一个系列里面，价格和性能大体上成正比。但后发布的型号性价比更高，如 980 Ti和 1080 Ti。
- 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 NVIDIA 的一些其他系列，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。
3.整机配置¶
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，在整机配置上也需要考虑以下 3 个额外因素:
- 机箱体积。显卡尺寸较大，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，如 50W 到 300W 不等。购买电源要确保功率足够，且不会造成机房供电过载。
- 主板的 PCIe 卡槽。推荐使用 PCIe 3.0 16x 来保证充足的 GPU 到内存的带宽。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 16 倍带宽。注意，有些主板搭载 4 块 GPU 时会降到 8 倍甚至 4 倍带宽。
