公司需要进行深度学习方面的探索，所以让我选择和配置机型，并安装当做前期开发使用。综合价格、GPU扩展4个、兼容性参考(https://pcpartpicker.com/)等因素买了以下的硬件，总价在39000元。
| 型号 | 网址 | 单价 | |
| 1. CPU | i7-7820x 8核16线程 | https://item.jd.com/5251872.html | 4499 |
| 2. 主板 | 技嘉(GIGABYTE) X299-WU8 | https://item.jd.com/100001121024.html | 4798 |
| 3. GPU | 英伟达(NVIDIA) GeForce RTX 2080 Ti Founders Edition | https://item.jd.com/8858025.html | 9999*2 |
| 4. 内存 | 金士顿骇客神条DDR4 16G 2666 | https://item.jd.com/8391349.html | 789*2 |
| 5. 固态硬盘 | 三星(SAMSUNG) 512G | https://item.jd.com/6680360.html | 1199 |
| nvlink桥 | NVIDIA GEFORCE RTX NVLINK BRIDGE 4-SLOT | https://item.jd.com/100000971978.html | 699 |
| 6. 机械硬盘 | 西部数据(WD)蓝盘 2TB | https://item.jd.com/100000961842.html | 369 |
| 7. 散热器 | Tt（Thermaltake）蛟龙 360水冷 | https://item.jd.com/7763387.html | 879 |
| 8. 机箱 | 美商海盗船AIR780T全塔 | https://item.jd.com/1209630.html | 1259 |
| 9. 电源 | 美商海盗船USCorsair 1600w | https://item.jd.com/8850977.html | 3449 |
1. CPU
尽量选择PCIe较多的服务器版cpu。独立显卡、ssd等硬件基本使用PCIe传输，如果cpu本身PCIe通道多，在传输输信息时会更快，当只有一个GPU，PCIe通道的作用只是快速地将数据从内存传输到显存。但是网上也说影响不是太大，ImageNet里的32张图像（32x225x225x3）在16通道上传输需要1.1毫秒，在8通道上需要2.3毫秒，在4通道上需要4.5毫秒。这些只是是理论数字，实际上PCIe的速度只有理论的一半。PCIe通道通常具有纳秒级别的延迟，因此可以忽略延迟。
同时每个GPU至少4个线程，两个CPU核心；貌似提前准备好数据处理可以把上面的指标都降低到一半。我考虑价格和cpu核数之后买了这个老版的8核16线程处理器。
2. 主板
买了CPU之后芯片接口定下了LGA2066，主板的类型定下了X299，另外还需要能支持4GPU的PCIe数量和距离。在没有特殊散热的情况下，一般显卡需要占用两个PCIe插槽，所以使用的显卡是公版的牺牲了部分散热性。
3. GPU
显卡的计算能力决定了深度学习的速度，专业的显卡太贵，我们就在桌面显卡中看是否能挑一个性能较好的。显卡有些必要指标显存大于11G、CUDA的算力5以上、散热。bert模型要求显存大于11G，tensorflow现在的要求是CUDA算力在3.5以上，四块的显卡放在一起，主板是刚好满足，但是基本显卡之间没啥空余的位置，散热是一个大问题，当显卡过热降频，引发性能下降30%，那还达不到三块显卡性能。
以为主板的PCIe距离，装2块显卡可以买非公版，自带散热和超频等优化。当要装4块显卡，大小基本只能买公版的，所以买散热器也需要加强很多。
查了一下多块显卡nvidia提供共享内存的协议，买了一块nvlink桥，增加显存的共享，提高执行速度。
显卡的性能对比http://www.mydrivers.com/zhuanti/tianti/gpu/
| 显卡天梯图2019年2月 | ||||||
|---|---|---|---|---|---|---|
| GeForce900 | GeForce1000 | GeForce2000 | 显卡等级 | Radeon RX500 | Radeon R400 | Radeon R300 |
| RTX2080Ti | ||||||
| Titan V | ||||||
| 高端 | ||||||
| Titan Xp | RTX2080 | Redeno Pro Duo | ||||
| GTX1080Ti | ||||||
| RTX2070 | RX Vega 64水冷 | R9 295X2 | ||||
| GTX Titan Z | RX Vega 64 | |||||
| GTX 1080 | ||||||
| GTX1070Ti | ||||||
| RX VEGA 56 | R9 Fury X | |||||
| GTX 1070 | RX 590（11月发布） | |||||
| R9 Nano | ||||||
| GTX1060 GDDR5X版 | RX 580 | R9 Fury | ||||
| GTX1060 6G | R9 390X | |||||
| GTX1060 5G | 中端 | RX 480 | R9 390 | |||
| RX580 2048SP | ||||||
| GTX1060 3G | RX 570 | RX 470 | ||||
| RX 470D | ||||||
| RX 470D | ||||||
| GTX1050Ti | R9 380X | |||||
| RX 560 | R9 380 | |||||
| GTX 960 | GTX1050 | RX 560D | ||||
| RX 560 2G版 | R9 370X | |||||
| GTX 950 | RX 550 | |||||
| RX 460 4GB版 | R7 370 | |||||
| GTX 750Ti | 低端 | RX 460 2GB版 | ||||
| RX 540 | R7 360 | |||||
| GTX 750 | GT1030 | |||||
| R7 350 | ||||||
| R7 340 | ||||||
| R5 230 | ||||||
4. 内存
内存考虑CPU的时钟频率就是DDR4-2666，大小必须是显存以上，现在的显卡为11G*2=22G，还有你使用的数据量，有些数据的处理工作比较耗费内存，所以买了16G*2。
5. 固态硬盘
在跑hadoop程序时发现磁盘的io一直拖慢了集群的性能，在模型迭代训练时，数据是分批次和多次重复读取，当数据增加时io也会增加模型计算时间，同时为了安装系统和计算框架等我选择512G的主流容量。
6. 机械硬盘
为了方便测试模型，我们使用Jupyter Notebook在服务器上测试，尽量数据一次性导入，我就另外配置了2T的磁盘。
7. 散热器
单个GPU风冷可以满足，价格及后期维护成本较低。当几个GPU时，必须使用水冷或者放在恒温机房靠近机房的风口位置，活着就是安装水冷，一般价格为700元一个GPU，还有CPU的部分。现在我的机器只有两个GPU准备放机房对空调对着方向，暂时只买了单个水冷和机箱上内置的风扇。
8. 机箱
机箱是考虑以后安装水冷和4*GPU的情况下，防止空间不够选择了全塔的，因为空间大了很多散热相对好一点，最好买游戏等性能机箱。
9. 电源
一个显卡的功率估计在300w，还有CPU功率在150w，另外还有风扇等配置为CPU和GPU的10%，300*4 + 150 + 135=1485，所以买了一个1600w的电源。
