《动手学深度学习》
Table Of Contents
《动手学深度学习》
Table Of Contents

GPU 购买指南

深度学习训练通常需要大量的计算资源。GPU 目前是深度学习最常使用的计算加速硬件。相对于 CPU 来说,GPU 更便宜且计算更加密集。一方面,相同计算能力的 GPU 的价格一般是 CPU 价格的十分之一。另一方面,一台服务器通常可以搭载 8 块或者 16 块 GPU。因此,GPU 数量可以看作是衡量一台服务器的深度学习计算能力的一个标准。

选择 GPU

目前独立 GPU 主要有 AMD 和 Nvidia 两家厂商。其中 Nvidia 在深度学习布局较早,对深度学习框架支持更好。因此,目前大家主要会选择 Nvidia 的 GPU。

Nvidia 有面向个人用户(例如 GTX 系列)和企业用户(例如 Tesla 系列)的两类 GPU。这两类 GPU 的计算能力相当。然而,面向企业用户的 GPU 通常使用被动散热并增加了内存校验,从而更适合数据中心,并通常要比面向个人用户的 GPU 贵上 10 倍。

如果你是拥有 100 台机器以上的大公司用户,通常可以考虑针对企业用户的 Nvidia Tesla 系列。如果你是拥有 10 到 100 台机器的实验室和中小公司用户,预算充足的情况下可以考虑 Nvidia DGX 系列,否则可以考虑购买如 Supermicro 之类的性价比比较高的服务器,然后再购买安装 GTX 系列的 GPU。

Nvidia 一般每一两年发布一次新版本的 GPU,例如 2017 年发布的是 GTX 1000 系列。每个系列中会有数个不同的型号,分别对应不同的性能。

GPU 的性能主要由以下三个参数构成:

  1. 计算能力。通常我们关心的是 32 位浮点计算能力。16 位浮点训练也开始流行,如果只做预测的话也可以用 8 位整数。
  2. 内存大小。当模型越大,或者训练时的批量越大时,所需要的 GPU 内存就越多。
  3. 内存带宽。只有当内存带宽足够时才能充分发挥计算能力。

对于大部分用户来说,只要考虑计算能力就可以了。GPU 内存尽量不小于 4GB。但如果 GPU 要同时显示图形界面,那么推荐的内存大小至少为 6GB。内存带宽通常相对固定,选择空间较小。

图 11.19 描绘了 GTX 900 和 1000 系列里各个型号的 32 位浮点计算能力和价格的对比。其中价格为 Wikipedia 的建议价格。

浮点计算能力和价格的对比。

浮点计算能力和价格的对比。

我们可以从图 11.19 中读出两点信息:

  1. 在同一个系列里面,价格和性能大体上成正比。但后发布的型号性价比更高,例如 980 TI 和 1080 TI。
  2. GTX 1000 系列比 900 系列在性价比上高出 2 倍左右。

如果大家继续比较 GTX 较早的系列,也可以发现类似的规律。据此,我们推荐大家在能力范围内尽可能买较新的 GPU。

整机配置

通常,我们主要用 GPU 做深度学习训练。因此,不需要购买高端的 CPU。至于整机配置,尽量参考网上推荐的中高档的配置就好。不过,考虑到 GPU 的功耗、散热和体积,我们在整机配置上也需要考虑以下三个额外因素。

  1. 机箱体积。GPU 尺寸较大,通常考虑较大且自带风扇的机箱。
  2. 电源。购买 GPU 时需要查一下 GPU 的功耗,例如 50W 到 300W 不等。购买电源要确保功率足够,且不会过载机房的供电。
  3. 主板的 PCIe 卡槽。推荐使用 PCIe 3.0 16x 来保证充足的 GPU 到主内存的带宽。如果搭载多块 GPU,要仔细阅读主板说明,以确保多块 GPU 一起使用时仍然是 16x 带宽。注意,有些主板搭载 4 块 GPU 时会降到 8x 甚至 4x 带宽。

小结

  • 在预算范围之内,尽可能买较新的 GPU。
  • 整机配置需要考虑到 GPU 的功耗、散热和体积。

练习

  • 浏览本节讨论区中大家有关机器配置方面的交流。

扫码直达讨论区

image0