1樓：醉看紅塵
實在看不慣大佬回答了
首先，深度學習只是機器學習的一種，機器學習只是人工智慧的一種。
其三，資料訓練在人工智慧只佔很少一部分。資料清洗，特徵提取，資料分類，需求分析等才佔大頭。
其四，先把基本打好，進企業有的是機器給你訓練。就算你花1萬元買電腦，你跑一年模型還不如那些大廠花1天時間在伺服器上訓練一天
2樓：
年底完成公升級，此回答也更新一下。下圖是最新裝機成果。
上圖是換模組線後的，下圖是之前拍的
當前配置如下：
機箱：孫總定製BG2，核彈尺高度
電源：銀欣800W鈦金
主機板：微星Z370M Gaming Pro AC
CPU：i9-9900，65W TDP
GPU：2× Quadro RTX5000 ＋ NVLink，2× 265W
系統盤：PM963 1.92T企業級SSD
資料盤：4× 2T希捷SSHD@RAID 5
記憶體：4× 16G HyperX 2666
在明年1000W的SFX-L出來之前，這幾乎是15L機箱的極限。
目前感覺不舒服的就是走線很難受，銀欣的線太硬了，很多也過長，還擋了風道。考慮之後再定製模組線。
用DCGM+Prometheus+Grafana監控，詳見https://www.
————————以下是原回答————————
這個月攢了一台體積最小的雙2070工作站(只有15L）。
這個體積甚至可以拎包直接帶走（包是定製的）。
選2070是因為其價效比極高，而且是完整的TU106核心。兩張都是萬麗的渦輪版。
論智：更新2080Ti後，深度學習該選什麼顯示卡？（11.7新增RTX2070）
機箱是在孫總那兒定製的，貌似已經暫時下架了。。。前面板做了個OpenAI 的Logo
處理器是i9-9900 QS版，因為實在等不下去了。。。還好沒翻車
硬碟也是某寶大船淘來的PM963，22110的尺寸，帶掉電保護。
主機板是微星的Z370M，更新BIOS就能支援9代U。
插了64G記憶體，畢竟darknet顯示曲線有記憶體洩露問題，大記憶體可以硬扛。。。
SFX電源，海盜船的，750W，正好拖兩張卡。
跑訓練顯示卡大約80℃，用TensorFlow和Darknet時都開了Tensor Cores。
3樓：
話說北陸先端(JAIST)說他們有三颱超算，定期更新整個學校只有1000名學生，所有人都可以使用還說東大京大超算是比他們多，但想一想他們有多少研究所，他們的超算有多少人用
說得我都心動了
4樓：小木曾冬馬
一般論既然你問那就是家裡學習用
8g視訊記憶體的1080 1070ti什麼的都行了學習用就這個了也就三四千塊
cpu不要太差就行
至於企業級
我們組單機e5 2650v4雙路 256G記憶體 tesla P40 *4 硬碟我不太清楚。。。大概有200T hdd 和2T的pcie ssd？硬碟牌子不清楚
數量快100臺
最近在鼓動老闆買volta
5樓：BHoA.Zzo
CPU：銳龍2700X
記憶體：16GB
硬碟：512G固態＋1T機械
GPU：1080TI 大視訊記憶體，高效能GPU其他配置就不說了，加起來1萬多吧。這些配置做基礎的深度學習已經夠了。
資料就不用一股腦往記憶體裡塞，怎麼可能塞的下。用資料的時候再調取是最好的，這就是為什麼要固態，固態！
6樓：JoyseeKing
本人手持GTX1080 8G 初入門主要做一些簡單的矩陣演算法個人體驗感覺
GPU>CPU
現階段GPU計算力單位價效比 2070>2060 6G>1070ti>1080ti>1080>2080ti>2080
現在不是很清楚多GPU同時跑的效率如何
還有不要買A卡不支援CUDA
記憶體多插點頻率差不多就行沒必要3200+ 多把錢花到刀刃上(GPU)
硬碟要大最好SSD
如有錯誤請指出
7樓：
不知道違不違反NDA就匿了。這是其中的乙個cluster，原來公司還有乙個16 1080ti 乙個13 p100 的cluster 淘汰下來的980ti 隨便拿…8月份離職的時候看他們在機房裡摞了一堆titan V個人用嗎，那就一塊titanV就夠啦或者新出的rtx6000 要是預算不多的話rtx2080ti也夠
8樓：長孫無憂
根據你寫的配置可見你沒做過深度學習專案，只是學習的話普通筆記本，1050的顯示卡就可以了。等你發現硬體限制你學習效率的時候再花錢買主機不遲。
有些人說是為了學深度學習買了1080回來跑了個minst然後就開始吃雞了
9樓：doraemonho
在有預算下，這樣排硬體分配
GPU>CPU=RAM>=SSD
1.GPU
基本上在AMD ROCm 弄好caffee PyTorch等support 前，都是N 家獨大了，所以同乙個價錢，買到最高的那張就那張(如同乙個價錢買到1070 Ti 跟1080 ，那一定1080)，正如另一位答主所言，cuda 越多越革命，不要在意RGB 什麼發光的。另外，因為大家都是7*24的跑了，所以有兩風扇買兩風吧
2. CPU
你不是吃雞跟GTA，所以不要太在意時脈，同一價錢底下核心越多越好，因為現在各個平台的data loader 都支援多核處理資料，核心多少決定你每秒能送資料進GPU次數多少。所以預算有限下，一定是A家的Rzyen/Threadripper了，特別是Threadripper，同乙個價錢，AMD 16核，Intel 只有10核，乙個天乙個地呀。 緊記一定不要買技嘉的主版，裝ubuntu那時你就知道為什麼了。
2.B RAM
RAM 越多越高頻率越好，因為越多資料可以放進ram。
3. SSD
有SSD 果斷SSD 不要HDD，最好是NVME SSD，做圖片分別類的大型data set RAM 多大都不夠放，乙個快的SSD可以加快你向RAM 送資料的速度。特別是NVME ，因為是單獨用PCI-E，速度更快 ，如果預算無上限，果斷推薦NVME RAID 0 配 2張 960 PRO ，7GB/s read ,4GB/s write ，爽到不要不要的。
我估算你太約有8K左右的預算吧，樓主你可以考慮一下更改以下配置CPU: Ryzen R5 1600 加B350 主版 (<2K)GPU: GXT1070/1070Ti (3K)記憶體 16G (1K)
SSD: 256G (~1K)
再加電源和機箱配好8K
10樓：江東子弟CC
這個配置挺好的，因為自己組裝的配置再高你能比得上公司8路k80伺服器？有那麼多時間不如去找個實習，學得快，硬體強。剩下的錢捐給我這樣的窮人，世界不就美好了？
11樓：霍華德
1.CUDA越多越革命
cuda作為核心計算單元數目越多速度越快
2.視訊記憶體越大越光榮
視訊記憶體大小直接決定了你能訓練模型的大小
3.CPU核心越多越正義
i7主頻高單執行緒效能好適合遊戲但是只有四核八執行緒 Ryzen 1700 八核十六執行緒執行緒越多越適合處理資料哪怕i7比Ryzen每個核心快百分之二十五也就相當於五核一樣被吊打三核
4.記憶體越大越正確
資料送到GPU之前都是在記憶體裡記憶體大小也決定了你能訓練模型的大小
學習Python可以做人工智慧方面的嗎？
大煎餅 當然可以。在掌握Python之後，可以進一步學習TensorFlow PyTorch等工具箱，就可以編寫許多人工神經網路演算法，例如 1 全連線神經網路 就目前而言，全連線神經網路是依然在廣泛使用的 最為簡單的人工神經網路。全連線神經網路 2 卷積神經網路 卷積神經網路是在全連線神經網路中加...
深度學習和人工智慧之間是什麼樣的關係？
盧昭金 人工智慧好比中國料理，深度學習其實就是火鍋，機器學習是川菜，計算機視覺是魯菜，計算機圖形學是東北菜，智慧型機械人是粵菜，所以你想吃體驗不一樣的味道，你就要嘗試其他的菜系 YUMING 人工智慧的意思是指 機器像人的大腦一樣智慧型 人工智慧只是乙個名詞 人工智慧 也可以稱為 機器智慧型 深度學...
深度學習對人工智慧的發展做了什麼貢獻？
如果是奔著強人工智慧去的，那麼結果會很失望，但如果只是為了某些具體的功能去的，那麼深度學習還是有它的作用的，對強人工智慧來說，深度學習不是核心，但可以是外圍的乙個重要技術。 最後總結下各位的看法吧，深度學習的本質就是數學模型在支撐的，你要做什麼事情就去建立相關合適的數學模型，深度學習只是解決問題的一...