深度學習工作站攢機指南

引言
配置清單
配件選購指南
- 主機板
- CPU
- 記憶體
- SSD
- 機械硬碟
- 顯示卡
- 電源
- 散熱器
- 機箱
- 風扇
組裝
效能測試

引言

接觸深度學習已經快兩年了，之前一直使用Google Colab和Kaggle Kernel提供的免費GPU（Tesla K80）訓練模型（最近Google將Colab的GPU升級為Tesla T4，計算速度又提升了一個檔次），不過由於內地網路的原因，Google和Kaggle連線十分不穩定，經常斷線重連，一直是很令人頭痛的問題，而且二者均有很多限制，例如Google Colab一個指令碼執行的最長時間為12h，Kaggle的為6h，資料集上傳也存在問題，需要使用一些Trick才能達成目的，模型的儲存、下載等都會耗費很多精力，總之體驗不是很好，不過免費的羊毛讓大家擼，肯定會有一些限制，也是可以理解的。

對於租用雲伺服器，之前也嘗試過，租用了一家小平臺的GPU伺服器，也存在一些操作上的困難，不適合程式除錯，而且價格也不便宜。

很早之前就想要搭建一個自己的深度學習工作站，不過機器成本的昂貴，一直阻礙著我攢機計劃的進行。工欲善其事，必先利其器！最近終於下定決心，置辦一個深度學習工作站主機。本文將我在這段時間選擇、購置硬體的心得體會，分享給大家。

配置清單

配件	品牌型號	數量	價格	渠道
CPU	Intel 酷睿i7 6950X 至尊版	1	3300	散片
主機板	華碩 RAMPAGE V EXTREME X99 主機板	1	1085	二手
記憶體	海盜船復仇者LPX 16GB DDR4 2400	4	1920	全新
HDD	西部資料 WD40EZRZ 藍盤 4TB	1	550	OEM
SSD	西數 WDS100T2X0C 黑盤 1TB	1	1220	全新
顯示卡	影馳 GeForce RTX 2070 大將	1	3400	全新
機箱	愛國者（aigo）月光寶盒破曉	1	264	全新
電源	鑫谷 GP1350G 1250W	1	680	全新
散熱器	愛國者（aigo）冰塔T240 極光版	1	299	全新
風扇	金河田光影炫光 12CM	6	60	全新
			12778	總計

以上就是我主機的配置清單，目前只買了一張2070，後期會升級加入多卡，下面將詳細分析一下各個配件的選購過程。

配件選購指南

主機板

有很多朋友在進行選購主機的時候認為應該先選CPU再選主機板，個人認為配件選購的順序和主機的用途是有關係的，對於搭建深度學習工作站而言，在正式進行硬體選購前，最重要的是需要確認一個問題，到底需要單卡（GPU）主機還是多卡主機，如果只需要搭建單顯示卡的主機，那麼在選購主機板的過程中，不需要花費太多精力，大量主機板可以滿足要求，如果想要搭建雙卡、三卡或是四卡主機，則需要在主機板上下點功夫，為了日後升級方便，我的目標是使用可支援四顯示卡的主機，所以在主機板選擇方面，會很注重PCIE擴充套件介面數量。

在初期選擇主機板時，網上各式各樣型號的主機板會使小萌新（我）很是懵逼，在網上查找了些資料，瞭解了些主機板的知識。為了保證CPU和主機板搭配合理，裝到一起能正常工作，首先我們需要了解各主機板晶片組和CPU介面的具體含義。例如，下圖為京東的主機板截圖。

我們可以看到大多數商品名稱後面都會有一個類似（AMD A320/Socket AM4）或（Intel H310/LGA 1151）的註釋，其實這些就是影響你CPU和主機板能否匹配的最重要引數了，在商品詳情頁，我們也可以找到這個引數，前面的“Intel H310”或“AMD A320”指的就是主機板的晶片組，而後面的“LGA 1151”或“Socket AM4”指的就是主機板上CPU插槽的型別了。

晶片組

晶片組示主機板的核心晶片，選對晶片組，主機板和CPU才能相容。目前主流的主機板分為Intel和AMD兩個系列，分別對應不同品牌的處理器。而每個系列又按照晶片組型別的不同，分為很多子系列。以Intel系列主機板為例，在市面上可以看到華碩、技嘉、七彩虹等近十個品牌的產品，不同品牌的主機板在外觀和技術上會有一些差別，但他們使用的晶片組都是由Intel提供的。

不過，雖然同屬於Intel系列主機板，但根據處理器的不同，需要搭配對應晶片組的主機板才能成功組建出一臺可以使用的主機。比如目前Intel最新的九代酷睿 i9-9900k 處理器需要搭配Z390、Z370或H370晶片組的主機板來使用。而AMD的Ryzen 3/5/7系列CPU和APU產品則可以搭配X370、B350或A320晶片組的主機板。

那麼不同晶片組的主機板又有什麼區別呢？有的時候，多個晶片組的主機板雖然可以支援同一款處理器，但在主機板的規格上還是有一定區別的。這些區別包括但不限於原生USB及磁碟介面數量、是否支援CPU超頻、是否支援多顯示卡互聯等。這對於不太瞭解主機板的使用者來說確實很難選擇，簡單總結一下：

B系列（如B360、B250）屬於入門級產品，不具備超頻和多卡互聯的功能，同時介面及插槽數量也相對要少一些。
H系列（如H310）比B系列略微高階一些，可以支援多卡互聯，介面及插槽數量有所增長。
Z系列（如Z390、Z370）除了具備H系列的特點支援，還能夠對CPU進行超頻，並且介面和插槽數量也非常豐富。
X系列（如X99、X299）可支援Intel至尊系列高階處理器，同時具備Z系列的各項特點。

同時，Intel的100系列和200系列主機板可以搭配6代及7代酷睿處理器，300系列主機板需要搭配8代酷睿處理器，X299系列主機板需要搭配7代至尊系列酷睿處理器。

對於單路CPU的主機板，能夠同時支援四張顯示卡卡的神板，毫無疑問就只有X99/X299系列的主機板了，當然你也可以考慮intel 伺服器C系列多路CPU主機板，可以支援兩個CPU在一張主機板上。我的目標是使用單路CPU，所以也就沒有關注C系列主機板。

對於X299和X99之間的選擇，有的朋友會主張買新不買舊，我個人的建議還是價效比高才是好的，較新的X299板子相比X99主機板要貴大幾百甚至1k左右，功能上的提升並不是很大，對於我們大多數Deep Learning開發者而言，X99的板子足夠了，畢竟要把錢花在刀刃上，GPU才是大手筆。X99板子主要推薦以下三款：

Asus/華碩 X99-E WS/USB 3.1

Asus/華碩 RAMPAGE V EXTREME/U3.1

MSI/微星 X99S GAMING 7

對比

型號名稱	MSI/微星 X99S GAMING 7	華碩RAMPAGE V EXTREME/U3.1	華碩X99-E WS/USB 3.1
主晶片組	Intel X99	Intel X99	Intel X99
CPU插槽	LGA 2011-v3	LGA 2011-v3	LGA 2011-v3
記憶體規格	8×DDR4 DIMM 四通道	8×DDR4 DIMM 四通道	8×DDR4 DIMM 四通道
最大記憶體容量	128GB	128GB	128GB
PCI-E標準	PCI-E 3.0	PCI-E 3.0	PCI-E 3.0
PCI-E插槽	4×PCI-E X16 插槽	5×PCI-E X16 插槽 1×PCI-E X1 插槽	7×PCI-E X16 插槽
儲存介面	10×SATA III 1×SATA Express 1×M.2（10Gb/s）	1×M.2 2×SATA Express 8×SATA III	1×M.2 2×SATA Express 8×SATA III 2×eSATA
USB介面	6×USB2.0（2背板+4內建） 12×USB3.0（4背板+8內建）	14×USB3.0（4內建+10背板） 6×USB2.0（4內建+2背板）	14×USB3.0（4內建+10背板） 4×USB2.0（4內建）
主機板板型	ATX板型	E-ATX板型	E-ATX板型
外形尺寸	30.5×24.4cm	30.5×27.2cm	30.5×26.7cm
多顯示卡技術	NVIDIA 3-Way SLI NVIDIA 3-Way SLI	NVIDIA 4-Way SLI AMD 4-Way CrossFireX	NVIDIA 4-Way SLI AMD 4-Way CrossFire

可以看到這三款主機板，均為X99晶片組，CPU插槽均為 LGA 2011-v3 ，而且有8個記憶體插槽，支援四通道，最高128G的記憶體容量，記憶體容量這部分個人很喜歡，對於大型資料集資料預處理的過程，對記憶體容量和CPU要求都很高，而且足夠的記憶體容量使你不用再為多開視窗卡頓現象而擔憂。三者都支援多顯示卡擴充套件，華碩R5E和華碩X99 E-WS均支援4顯示卡交火，微星X99S Gaming 7支援3顯示卡交火，不過顯示卡交火，對於深度學習計算沒有任何的幫助，對遊戲確是有一些提升，我們日常所說的多顯示卡訓練模型，也不是用到交火技術，而是Data Parallel或Model Parallel，所以交火與否我們不需要關注，需要關注的時PCIE ×16擴充套件插槽的有效個數（有的間距太近，無法全插）。

起初最想購買的是“華碩 X99-E WS”，經典的工作站主機板，很多深度學習開發者的首選，支援四路顯示卡交火，更為優秀的是竟然有7個×16全速PCIE 3.0擴充套件插槽，但是對於這類主機板雖然有如此強大的擴充套件功能，但在真正插顯示卡的時候，由於PCIE介面之間的空間限制，你是無法插滿插槽的，而且現在顯示卡都很厚，很可能會造成介面的浪費。這個板子已經停產，不過在天貓的華碩旗艦店仍然有存貨，售價“3899元”，還是很貴的。其中有很多功能，對於我們日常使用、訓練模型來講並不是很用得上，會造成沒必要的開銷。最後我選擇了在淘寶購買二手的“華碩 RAMPAGE V EXTREME”，畢竟便宜。如果經費充足的朋友，我仍然建議購買“華碩 X99 E-WS”這個主機板。

CPU

對於CPU的選取是基於確定主機板CPU插槽型別為前提的，例如我們上文中我們選擇的X99系列三款主機板，CPU插槽型別均為“LGA 2011-v3”，我們就要選與此匹配的CPU，各插槽型別的CPU具體有哪些型號，可以去中關村線上查詢，裡面還有一些效能測評的文章和排行榜資訊，值得推薦。

為了能夠為CPU做出明智的選擇，我們首先需要了解CPU以及它與深度學習的關係。CPU為深度學習做了什麼？當你在GPU上執行深度網路時，CPU幾乎不會進行任何計算。它主要的作用是：（1）啟動GPU函式呼叫，（2）執行CPU函式。

CPU對於資料預處理的過程卻起重要作用。有兩種常見的資料處理策略，它們具有不同的CPU需求。

# 一、在訓練時進行資料預處理
for train_step in range(tot_train_step):
    load_mini_batch()
    preprocess_mini_batch()
    train_on_mini_batch()

# 二、在訓練前進行資料預處理
preprocess_data()
for train_step in range(tot_train_step):
    load_preprocessed_mini_batch()
    train_on_mini_batch()

對於第一個策略，為避免CPU的效能成為訓練模型的速度的瓶頸，具有高主頻多核心的CPU可以顯著提高效能，加快訓練速度。對於第二種策略，由於是預先進行資料預處理，在訓練時的速度取決於GPU效能，與CPU無關，理論上CPU的效能不會成為瓶頸。但是我個人的觀點還是，在經費允許的情況下，儘管CPU的效能越強大越好，但是也不一定非要追求最新款、最強大的CPU，價效比和個人需求才是最關鍵的。

當然，此處附加一點說明，如果攢機後不僅需要訓練模型，而且偶爾也會玩一些遊戲消遣的話，儘量選擇高主頻的主機，志強系列多核心低主頻CPU不適合遊戲玩家。

PCIe 通道

CPU的PCIe通道對模型訓練的影響網上也縱說紛雲，首先讓我們先了解一下什麼是CPU的PCIe通道

PCI-Express(peripheral component interconnect express)是一種高速序列計算機擴充套件匯流排標準，它原來的名稱為“3GIO”，是由英特爾在2001年提出的，旨在替代舊的PCI，PCI-X和AGP匯流排標準。PCIe屬於高速序列點對點雙通道高頻寬傳輸，所連線的裝置分配獨享通道頻寬，不共享匯流排頻寬，主要支援主動電源管理，錯誤報告，端對端的可靠性傳輸，熱插拔以及服務質量(QOS)等功能。

簡而言之，PCIe通道就是主機中各元件進行資料互動的通道，PCIe通道分兩種：

CPU直連通道，主流消費級只給你16條(8700K)，高階&伺服器上才會多給(7980XE)。
DMI3匯流排PCH晶片分發出來的，是主機板的屬性。例如Z370主機板聲稱有24條PCIE通道，其實這24條就是PCH通道，要共享DMI3等效直連PCIe ×4的頻寬。

就PCH而言，在很多高效能擴充套件面前沒有智聯通道強大，所以對於CPU的直連通道數就顯得至關重要了。

Tim Dettmers大神在他的博文《A Full Hardware Guide to Deep Learning》中也做出了對PCIe通路的見解，Tim認為在單機少量（小於4）GPU的主機中，PCIe通路對模型訓練的影響並不是很大，但對於大於4個GPU或GPU叢集PCIe通路的影響就會很顯著。在文章中，Tim對比了不同通道數量在模型訓練過程中的速度傳輸速度對比。

CPU and PCI-Express

People go crazy about PCIe lanes! However, the thing is that it has almost no effect on deep learning performance. If you have a single GPU, PCIe lanes are only needed to transfer data from your CPU RAM to your GPU RAM quickly. However, an ImageNet batch of 32 images (32x225x225x3) and 32-bit needs 1.1 milliseconds with 16 lanes, 2.3 milliseconds with 8 lanes, and 4.5 milliseconds with 4 lanes. These are theoretic numbers, and in practice you often see PCIe be twice as slow — but this is still lightning fast! PCIe lanes often have a latency in the nanosecond range and thus latency can be ignored.

Putting this together we have for an ImageNet mini-batch of 32 images and a ResNet-152 the following timing:

Forward and backward pass: 216 milliseconds (ms)

16 PCIe lanes CPU->GPU transfer: About 2 ms (1.1 ms theoretical)

8 PCIe lanes CPU->GPU transfer: About 5 ms (2.3 ms)

4 PCIe lanes CPU->GPU transfer: About 9 ms (4.5 ms)

Thus going from 4 to 16 PCIe lanes will give you a performance increase of roughly 3.2%. However, if you use PyTorch’s data loader with pinned memory you gain exactly 0% performance. So do not waste your money on PCIe lanes if you are using a single GPU!

When you select CPU PCIe lanes and motherboard PCIe lanes make sure that you select a combination which supports the desired number of GPUs. If you buy a motherboard that supports 2 GPUs, and you want to have 2 GPUs eventually, make sure that you buy a CPU that supports 2 GPUs, but do not necessarily look at PCIe lanes.

PCIe Lanes and Multi-GPU Parallelism

Are PCIe lanes important if you train networks on multiple GPUs with data parallelism? I have published a paper on this at ICLR2016, and I can tell you if you have 96 GPUs then PCIe lanes are really important. However, if you have 4 or fewer GPUs this does not matter much. If you parallelize across 2-3 GPUs, I would not care at all about PCIe lanes. With 4 GPUs, I would make sure that I can get a support of 8 PCIe lanes per GPU (32 PCIe lanes in total). Since almost nobody runs a system with more than 4 GPUs as a rule of thumb: Do not spend extra money to get more PCIe lanes per GPU — it does not matter!

不過依我個人的看法，還是要選支援PCIe通道數大一點的CPU，畢竟M.2 NVME SSD就會佔據四條通道，如果我們CPU只支援16通道，並且有兩個GPU的話，每個GPU只能分到×4的速度，這個總感覺不太好。顯示卡已經花了那麼多錢，我們當然希望它能全速跑，不要由於CPU PCIe通路的短板影響整體的效能，得不償失。所以我更傾向於選擇40條通路的CPU。目前主流CPU大多支援16通道、24通道，對於至尊系列CPU會有支援40通道的，對於大部分志強系列伺服器CPU大多數支援44通道。

對比

對於志強系列，網上所有渠道都基本是拆機CPU，很多是外國伺服器淘汰下的CPU，質量方面，由於沒有使用過，不妄加評論。志強系列U特點是核心多，單核主頻低，如果對於高併發有需求的朋友，可以優先選擇志強系列U，搭配雙路伺服器主機板。但對於我個人來講，對單核主頻要求高一些，所以我更傾向於桌面級CPU。

在我選擇CPU的過程中，CPU天梯圖對我很有幫助，很直觀的展現了Intel/AMD所有CPU的效能排行，也推薦給大家。

經過反覆的對比，最終鎖定了兩款CPU“i7-6850K”和“i7-6950X”，首先首先我先解釋一下為什麼沒有選擇最新的九代酷睿系列，目前九代酷睿釋出沒多久，例如“I9-9900K”也是炒的很火熱，雖然最新系列的CPU單核主頻都有所提高，但是核心數並沒有太大改善，致使CPU整體效能（多核效能）並不是越新越好，從上方的天梯圖我們也可以看出，“I7-6950X”排在"I9-9900K"前面，第二個原因就是，CPU是一個沒什麼損耗的器件，如果沒有變態超頻使用的話，全新和二手的U新能沒什麼區別，對於這些已經停產的CPU，網上流通的都是拆機的二手版本，只要選擇正式版（不要QS/ES版本），其實都可以的，而且價格便宜，價效比極高，例如我們Intel官網可以看到“i7-6950X”的官方報價為￥11053.74，上萬元！

而在淘寶等渠道購買的正式版I7-6950X散片，只有3400元，價格差距如此之大。對於這種舊款CPU的散片（正式版）價效比還是蠻高的，所以推薦大家購買散片CPU（當然也會有很多朋友擔心散片CPU的質量問題，這個確實不能保證每個渠道的U都是好的，看人品吧~）。下面對比一下“i7-6850K”、“I7-6950X”、“i75960X”以及“I7-6900K”這幾款CPU。

基本要素	酷睿™ i7-6950X	酷睿™ i7-6850K	酷睿™ i7-5960X	酷睿™ i7-6900K
發行日期	Q2'16	Q2'16	Q3'14	Q2'16
光刻	14 nm	14 nm	22 nm	14 nm
核心	10	6	8	8
執行緒	20	12	16	16
基本頻率	3.00 GHz	3.60 GHz	3.00 GHz	3.20 GHz
睿頻頻率	3.50 GHz	3.80 GHz	3.50 GHz	3.70 GHz
快取	25 MB	15 MB	20 MB	20 MB
TDP	140 W	140 W	140 W	140 W
最大記憶體	128 GB	128 GB	64 GB	128 GB
記憶體型別	DDR4 2400/2133	DDR4 2400/2133	DDR4 1600/1866/2133	DDR4 2400/2133
記憶體通道	4	4	4	4
PCIe通道	40	40	40	40

可以看到，四者均支援40條直通PCIe通道，當主機板支援四路交火時，以“華碩RAMPAGE V EXTREME”為例，四張顯示卡分別佔用（×8，×8，×8，×8）的速度，不會對效能產生太大影響。“I7-5960X”僅支援最高64GB的記憶體容量，這個對於我們的板子就略顯不足了，相比“I7-6850K”和“I7-6900K”，在單核主頻方面6850k基本頻率為3.60GHz高於6900K的3.20GHz，不過核心數卻沒有勝出，二者基本屬於同一等級的CPU，整體效能6900K略高於6850K，不過從價效比方面來看（散片），6850K的價效比還是略高的，散片售價僅2500元左右。“I7-6950X”是這幾款U中效能最強勁的，雖然單核主頻只有3.00GHz但是10核心20執行緒使其整體效能遙遙領先，可以從上文中的CPU天梯圖中看到，儘管這個U是16年推出的，不過在當日的排行版也能排列到十幾名，表現還是很出色的，唯一的不足就是價格略顯昂貴，散片價格為3400元，之前一直想買2500元的6850K，後來一咬牙買了6950X。

總之，在選購CPU時，建議需要以下順序：

篩選與主機板插槽型別匹配的CPU。
檢視CPU天梯圖，瞭解CPU的整體效能排序。
在intel官網上將預選出的商品進行詳細引數對比。
淘寶、京東對比散片價格，考慮入手價效比高的U。

個人建議：由於CPU這個東東如果正常使用基本沒什麼損耗，在選購散片時，會發現各個商家價格會有所差別，其實不一定要買最貴的，價格的不同可能是由於商家進貨渠道引起的，只要認準“正式版”即可，避開“QS/ES”版本。

記憶體

記憶體是相對好選的元件，就沒有必要多說了，以我個人來看，當然容量越大越好，畢竟現在記憶體價格低谷，抓緊買！

建議“海盜船復仇者”系列，我在選購記憶體的時候，基本把淘寶翻了個遍，看了很多廠家，價格都很貴，而且有很多都是小廠。對於海盜船復仇者系列記憶體，很多DIY玩家的首選，也不是沒有原因的，現在一條16G的臺式記憶體，只賣不到500元，很是便宜！而且口碑一直不錯。

頻率

目前市場上的記憶體大多在頻率上做了很多營銷手段，我們可以看到（2133 MHz、2400MHz、3000MHz、3200MHz以至於更高）的記憶體頻率，同容量不同頻率的記憶體條價格也相差很多，貴幾百元的都有。但是我們是否有必要追求高頻率的記憶體呢？

經過閱讀網上一些大牛的文章，大多數人的觀點都是，RAM頻率對效能方面沒有明顯的提升，尤其是在做深度學習方面。其實頻率只是各個廠商的一種營銷手段，RAM公司會引誘大家購買“更快”的記憶體，其價效比並不高。有追求頻率的錢，還不如多加一條記憶體。此處可參閱“Does RAM speed REALLY matter?”

所以我入手了“海盜船復仇者”系列單條16GB最便宜的記憶體2400 MHz，一共上了4條，總共64GB。主機板有8個記憶體插槽，先插四條構成四通道，剩餘的留作擴充套件，不過此處一定注意，在安裝記憶體條的時候需要閱讀主機板說明書，基本每個主機板都會給出推薦的插法，看好個插槽所在的通道，一定不要插錯了。

SSD

在初期選購固態硬碟的朋友可能會經常看到SATA3固態硬碟與M.2固態硬碟，可能有朋友會有疑問：M.2是什麼意思？和SATA3固態硬碟有什麼區別？下面我們就簡單科普M.2介面。

M.2介面

M.2是一種固態硬碟新介面，是Intel推出的一種替代MSATA新的介面規範，也就是我們以前經常提到的NGFF，英文全稱為：Next Generation Form Factor。

M.2介面固態硬碟主要優勢在於體積相比傳統的SATA3.0、MSATA更小，並且讀取速度更快，對於一些移動裝置相容性更好。

M.2和SATA3固態硬碟的區別

目前固態硬碟（SSD）常用的介面主要有3種：

SATA3 - 外形尺寸是2.5寸硬碟的標準尺寸，與2.5寸機械硬碟可以互換。
mSATA - 介面尺寸與筆記本內建無線網絡卡相同，不過mSATA SSD的外形尺寸比無線網絡卡更大。
M.2 - 初期稱為NGFF介面，是近兩年新出的介面，為專門為超小尺寸而設計的，使用PCI-E通道，體積更小，速度更快。

值得一提的是M.2介面固態硬碟又分為：SATA和PCI-E兩種，雖說長得一模一樣，但效能卻是差之千里。此外，有些主機板的M.2介面不一定對其支援，所以在買M.2固態硬碟的時候，還需要了解下介面相容性，在購買主機板和SSD時關注一下介面資訊即可。

M.2有兩種介面定義：Socket 2和Socket 3。Socket 2支援SATA或PCIe ×2通道的SSD，Socket 3專為高效能儲存設計，支援PCIe ×4通道。在購買SSD時一定要確認是否走PCIe ×4通道，這樣才效能最佳。

容量

在容量方面，大多數使用者512G就夠用了，畢竟SSD不是作為資料儲存盤使用，而是作為系統盤安裝程式使用，但由於目前SSD價格下滑，決定還是入手一個1T的，這樣更充足。

經過仔細挑選，最終篩選出兩款SSD，“Samsung/三星 MZ-V7S1T0BW 970 EVO Plus 1TB”和“WD/西部資料 WDS100T2X0C 1TB”，比較推薦三星這款，三星的固態一直是業界最好的，速度最快的，不過西數的SSD也在第一梯隊，二者價格相差300元左右，“三星970 EVO Plus”速度略高於“西數WDS100T2X0C”，官方宣傳三星這款讀取速度3500Mb/s、寫入速度3300Mb/s，西數這款讀取速度3400Mb/s、寫入速度2800Mb/s，如果經費允許的朋友推薦三星這款，不過我選擇了較為便宜的西數SSD。其他品牌的沒用過，不能妄加評論，但是三星和西數的固態硬碟一定是第一梯隊了。

機械硬碟

機械硬碟容量視個人情況而定，對於計算機視覺工程師，如果需要存放大體積資料集，就買大一點的，畢竟HDD不貴（但一定記住避開希捷、避開希捷、避開希捷！之前筆記本加裝過希捷硬碟，太渣了）。我最後入手了“西部資料 WD40EZRZ 4TB 藍盤”，買的OEM版本，比官方價格低100多，用著還不錯。

顯示卡

顯示卡的選擇，Tim Dettmers的《Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning》一文已經分析的非常透徹，我也是參考了他的文章購置了RTX 2070顯示卡，各位朋友可以深入閱讀該文章，此處只做簡要闡述。

效能對比

GPU和TPU的標準化效能資料。越高越好。RTX卡使用16位計算。使用PyTorch 1.0.1和CUDA 10完成基準測試。

價效比分析

卷積網路（CNN），迴圈網路（RNN）和Transformer的效能/價格。越高越好。RTX 2060的成本效率是Tesla V100的5倍以上。使用PyTorch 1.0.1和CUDA 10完成基準測試。

注：以上圖轉載自《Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning》

經過Tim的分析，更傾向於購買RTX 20系列顯示卡，因為其獨有的“Tensor core”可以支援加速FP16的運算，減少視訊記憶體的支出，也能減少計算複雜度，

整體建議（轉載）

最佳GPU：RTX 2070
避開GPU：任何Tesla; 任何Quadro卡; Titan RTX，Titan V，Titan XP
實惠但價格昂貴：RTX 2070經濟
實惠且價格便宜：RTX 2060，GTX 1060（6GB）。
我有點錢：GTX 1060（6GB）
我幾乎沒有錢：GTX 1050 Ti（4GB）。或者：CPU（原型設計）+ AWS / TPU（訓練）; 或者Colab。
我做Kaggle：RTX 2070
計算機視覺或機器翻譯研究員：GTX 2080 Ti，如果您訓練非常大的網路獲得RTX Titans。
NLP研究員：RTX 2080 Ti使用16位。
我開始深入學習並且我認真對待它：從RTX 2070開始。在6-9個月之後購買更多RTX 2070並且您仍然希望投入更多時間進行深度學習。根據您接下來選擇的區域（啟動，Kaggle，研究，應用深度學習），銷售GPU並在大約兩年後購買更合適的東西。
我想嘗試深度學習，但我並不認真：GTX 1050 Ti（4或2GB）。這通常適合您的標準桌面，不需要新的PSU。如果它適合，不要購買新電腦！

選購

看了Tim給出的建議，我最終選擇了RTX 2070顯示卡，雖然只有8G視訊記憶體，不過使用16位運算，主流網路也都能跑起來。對於品牌的選購我只建議不要買燈效、不要買超頻，你要相信一點，同一個型號的顯示卡（例如RTX 2070），任何廠家任何款式的商品在效能上均沒有什麼效能差距，價格差距主要體現在所謂的超頻、燈光效果上，我個人的建議是完全沒有必要把錢花費在這上面，關注一下散熱，一線廠商的用料都不會太差。

我選購了“影馳 RTX2070 大將”，3400元。對於經費充裕的朋友，RTX 2080 Ti也是一個非常好的選擇，我之後擴充套件可能會入手2080 Ti

電源

通常，我們需要一個足以容納所有未來GPU的電源。電源的穩定性也對元件的壽命有很大影響，因此購買一個優質的電源是很有意義的。

因為一個主機最終要的功耗元件是GPU和CPU，我們可以通過將CPU和GPU的功耗累加，並且附加其他元件大約額外10％W來計算所需的功率。網上也有很多計算功率的網站，但大多元件不是很全面，沒有什麼參考價值，我的建議就是儘量上大功率電源，留作之後升級顯示卡使用。還要注意，模組電源支援的PCIE口數量，例如上面我所購買的RTX2070影馳大將，電源介面為8+6pin的，佔用默許電源兩個8pin的PCIe供電口，如果電源給的供電口只有6個8pin供電口，那麼我們只能給3張顯示卡供電。這個問題需要注意一下。

對於電源，我有兩款產品推薦：“鑫谷GP1350G 額定1250W 全模組”和“長城巨龍伺服器電源 1250W 全模組”，二者價格差不多，我買的鑫谷這款。

散熱器

CPU散熱部分，之前一直想上一個風冷節省支出，但是由於I7-6950X已經140W了，風冷根本壓不住，所以上了240雙冷排的水冷，在選購散熱器時注意與商家諮詢該散熱器是否能壓住該功率CPU。我入手的“愛國者（aigo）冰塔T240 極光版”，散熱效果很好。

機箱

機箱看個人喜好吧，儘量大一點，散熱能好些。我入手的“愛國者（aigo）月光寶盒破曉”。

風扇

風扇這個東西還挺貴的，普通的大約20多一個，真是不明白貴在哪裡，購買風扇踩了個坑，以為各種風扇都一樣，買便宜的就好，入手了京東最便宜的風扇10元一個，看標註風力之類的都比愛國者極光好，但是實測風力沒有愛國者極光風扇強大，不過極光風扇噪音有點大。

組裝

裝機部分隨便上張圖意思一下吧~總之是忙了一整天才弄好。