2024年5月25日发(作者：巫代桃)
目前
GPU
深度学习服务器在
AI
、视频处理、科学计算等领域都有广泛应用。随着
NVIDIA
推出更多的
GPU
硬件和
工具软件，如何配置一台属于自己的
GPU
服务器，在开发者的工作中成为了重中之重。
文章大概：
1
、硬件平台的搭建
o
深度学习服务器的性能需求
o NVIDIA GPU
的性能特点
o
硬件环境的配置搭配要点
2
、软件环境的配置
o
深度学习环境的系统配置，环境搭建
o NVIDIA CUDA
的安装
o
介绍
NVIDIA Deep Learning
相关
SDK
工具，包括类似于
Transfer Learning Toolkit
，
CuDNN
，
CuBlas,
TesnorRT…
o NVIDIA GPU Cloud
介绍
o
成熟的解决方案或者案例
最近开始学习深度学习（
Deep Learning
）技术，特别是
的
Tensorflow
深度学习包开源后，深度学习已经
成为大数据领域的重大计算革命，配合
Teras
顶层框架，使得
Deep learning
的学习成本降低。（百度也开源了飞
桨开源平台也不错）
目前
Deep learning
技术应用越来越广，一切数据都是图，
CNN
卷积神经网络技术充满了神奇的计算魅力。
DL
技
术广泛应用于：图像处理、人脸识别、自动驾驶、聊天机器人、
AI
人工智能、机器语言翻译、图片推荐系统、声
音处理、音乐作曲、机器写作等领域。
现今，日益完善的深度学习技术和
-AI-
服务愈加受到市场青睐。与此同时，数据集不断扩大，计算模型和网络也
变得越来越复杂，这对于硬件设备也提出了更为严苛的需求。如何利用有限的预算，最大限度升级系统整体的
计算性能和数据传输能力成为了最为重要的问题。
由于，做深度学习，需要很多科学计算学习包。以及深度学习框架（
tensorflow
）
我这里选择的是下载
Anaconda
（集成环境。
Anaconda installer archive
/archive/
）。
推荐配置
如果您是高校学生或者高级研究人员，并且实验室或者个人资金充沛，建议您采用如下配置：
主板：
X99
型号或
Z170
型号
CPU: i7-5830K
或
i7-6700K
及其以上高级型号
内存：品牌内存，总容量
32G
以上，根据主板组成
4
通道或
8
通道
SSD
：
品牌固态硬盘，容量
256G
以上
显卡：
NVIDIA GTX 1080ti
、
NVIDIA GTX TITAN
、
NVIDIA GTX 1080
、
NVIDIA GTX 1070
、
NVIDIA GTX
1060 (
顺序为优先建议，并且建议同一显卡，可以根据主板插槽数量购买多块，例如
X99
型号主板最多可以
采用
×4
的显卡
)
电源：由主机机容量的确定，一般有显卡总容量后再加
200W
即可
最低配置
如果您是仅仅用于自学或代码调试，亦或是条件所限仅采用自己现有的设备进行开发，那么您的电脑至少满足
以下几点：
CPU
：
Intel
第三代
i5
和
i7
以上系列产品或同性能
AMD
公司产品
内存：总容量
4G
以上
如果是先可以玩玩
Keras
文档说明中的几个案例，都有详细的代码和说明。
【经费充足的情况下另外也可以购买云厂商（
BATH
的几家）的专用
GPU
服务器，需要单独购买英伟达授权。】
Keras
文档关于计算机的硬件配置说明
- keras-
/en/latest/for_beginners/keras_linux/
一般我们也可以将这台配置的
GPU
电脑作为服务器，通过设置
SSH Key
和
SSH tunnel
用平时的苹果电脑远程访
问进行深度学习算法建模，通过模型训练后将模型
save
后，在不带
GPU
的电脑调用
load
模型或
weights
模型，进
行预测和分类。
GPU ——Nvidia GTX 1080 Ti
GPU
的重要性在于：
2024年5月25日发(作者：巫代桃)
目前
GPU
深度学习服务器在
AI
、视频处理、科学计算等领域都有广泛应用。随着
NVIDIA
推出更多的
GPU
硬件和
工具软件，如何配置一台属于自己的
GPU
服务器，在开发者的工作中成为了重中之重。
文章大概：
1
、硬件平台的搭建
o
深度学习服务器的性能需求
o NVIDIA GPU
的性能特点
o
硬件环境的配置搭配要点
2
、软件环境的配置
o
深度学习环境的系统配置，环境搭建
o NVIDIA CUDA
的安装
o
介绍
NVIDIA Deep Learning
相关
SDK
工具，包括类似于
Transfer Learning Toolkit
，
CuDNN
，
CuBlas,
TesnorRT…
o NVIDIA GPU Cloud
介绍
o
成熟的解决方案或者案例
最近开始学习深度学习（
Deep Learning
）技术，特别是
的
Tensorflow
深度学习包开源后，深度学习已经
成为大数据领域的重大计算革命，配合
Teras
顶层框架，使得
Deep learning
的学习成本降低。（百度也开源了飞
桨开源平台也不错）
目前
Deep learning
技术应用越来越广，一切数据都是图，
CNN
卷积神经网络技术充满了神奇的计算魅力。
DL
技
术广泛应用于：图像处理、人脸识别、自动驾驶、聊天机器人、
AI
人工智能、机器语言翻译、图片推荐系统、声
音处理、音乐作曲、机器写作等领域。
现今，日益完善的深度学习技术和
-AI-
服务愈加受到市场青睐。与此同时，数据集不断扩大，计算模型和网络也
变得越来越复杂，这对于硬件设备也提出了更为严苛的需求。如何利用有限的预算，最大限度升级系统整体的
计算性能和数据传输能力成为了最为重要的问题。
由于，做深度学习，需要很多科学计算学习包。以及深度学习框架（
tensorflow
）
我这里选择的是下载
Anaconda
（集成环境。
Anaconda installer archive
/archive/
）。
推荐配置
如果您是高校学生或者高级研究人员，并且实验室或者个人资金充沛，建议您采用如下配置：
主板：
X99
型号或
Z170
型号
CPU: i7-5830K
或
i7-6700K
及其以上高级型号
内存：品牌内存，总容量
32G
以上，根据主板组成
4
通道或
8
通道
SSD
：
品牌固态硬盘，容量
256G
以上
显卡：
NVIDIA GTX 1080ti
、
NVIDIA GTX TITAN
、
NVIDIA GTX 1080
、
NVIDIA GTX 1070
、
NVIDIA GTX
1060 (
顺序为优先建议，并且建议同一显卡，可以根据主板插槽数量购买多块，例如
X99
型号主板最多可以
采用
×4
的显卡
)
电源：由主机机容量的确定，一般有显卡总容量后再加
200W
即可
最低配置
如果您是仅仅用于自学或代码调试，亦或是条件所限仅采用自己现有的设备进行开发，那么您的电脑至少满足
以下几点：
CPU
：
Intel
第三代
i5
和
i7
以上系列产品或同性能
AMD
公司产品
内存：总容量
4G
以上
如果是先可以玩玩
Keras
文档说明中的几个案例，都有详细的代码和说明。
【经费充足的情况下另外也可以购买云厂商（
BATH
的几家）的专用
GPU
服务器，需要单独购买英伟达授权。】
Keras
文档关于计算机的硬件配置说明
- keras-
/en/latest/for_beginners/keras_linux/
一般我们也可以将这台配置的
GPU
电脑作为服务器，通过设置
SSH Key
和
SSH tunnel
用平时的苹果电脑远程访
问进行深度学习算法建模，通过模型训练后将模型
save
后，在不带
GPU
的电脑调用
load
模型或
weights
模型，进
行预测和分类。
GPU ——Nvidia GTX 1080 Ti
GPU
的重要性在于：