目前深度学习工作站/服务器硬件配置误区

柯洁和AlphaGo的故事已经结众龊受礻束，输赢显得并不重要，这个天才少年曾落泪哽咽：它太完美我看不到希望。搭载谷歌无人驾驶技术的车辆已吲溘活口经完成200万英里的测试，如今它打算要载人了，无人驾驶真的已经不远。在苹果发布的ios11中，Siri变得更聪明，对话技巧也越来越溜。人工智能已经无处不在，席卷世界。2017年的初夏，除了挖矿，还有深度学习。那么用于深度学习的工作站/服务器也和矿机一样到处可见，然而事实并不是只要机器里有GPU，或者GPU越多性能就越强，下面以ultralab深度学习工作站/服务器为例进行解读

工具/原料

目前深度学习硬件配置缺陷

深度学习硬件架构分析

UltraLAB深度学习服务器/工作站

目前深度学习工作站/服务器遇到的问题

1、为什么4块GPU机器，比人家2块GPU机器还慢

2、为什么同样8块GPU比人家8块GPU卡，还慢

3、为什么2块GPU卡，一个快一个慢

4、为什么这么多GPU卡，计算过程还是很慢

5、我的机器噪音巨大，无法放到办公环境，怎么在静音环境下运行

深度学习硬件架构分析

1、从深度学习计算过程分析开始

2、上述图示，深度神经网络计算大致流程，下面通过深度神经网络计算环节，分析核心硬件配置理想要求

3、常见图形工作站硬件配置上的误区：1．硬盘用普通PC硬盘，寿命短，带宽低，或数量不够2．CPU用的最多的是Xeon E5 2鲂番黟谊620v（8核2.1GHz），频率太低，数据预处理太慢，成为整个计算的最大瓶颈3．为了把钱用到“刀刃上”—尽可能多配GPU卡，但是总显存比内存容量大，不合理，或者CPU核数低于GPU卡数，这些都会造成计算过程资源耗尽，数据来回从虚拟内存导入，计算变慢

ultralab深度学习工作站/服务器硬件配置介绍

1、UltraLAB GXi/M图灵计算工作站是一款多GPU超算、超高频率处理器、海量存储于一体、基于办公静音环境、应用于深度学习(机器学习、人工智能)的AI超级计算机系统。

2、GX360i机型配置参考（超值型）该机型特点：支持4块GPU卡，CPU频率高达5GHz，整体配置均衡无死角，满足深度学习训练硬件配置要求，含23”高清图显

3、GX480M、GX610M机型配置参考（高性能型犬匮渝扮）该机型特点：支持最大到7块（GX480M）或9块（GX610M）G霸烹钟爷PU卡，CPU的频率和核数达到均衡，每个环节保证达到高性能，整体配置均衡无死角，满足深度学习训练对配置的要求，含23”高清图显

4、UltraLAB GXi/M是一款静音级、高性能GPU超算的深度学习训练计算机，对比市面上的机器，除了强大的性能还更安静。适合科研、研究部门在安静的办柬缰缣挞公环境下运行。此外，该机型用途极广，扩展能力强， 调整配置后，可为电磁仿真计算（CST）、量子化学/分子动力学计算（VAST、AMBER等）、超大屏拼接（6X10拼接合成）、视频剪辑合成、指纹识别等应用，提供强悍的计算、图形生成能力