如何以高性價比的方式搭建深度學習工作站？如何選擇合適的部件？……這些問題有點難。來自 MIT 的 Curtis Northcutt 繼「6200 美元搭建 3-GPU 工作站」之後，又推出了「7000 美元搭建 4-GPU 深度學習工作站」的教程。
在之前的博客中，來自 MIT 的 Curtis Northcutt 分享了構建專業質量的深度學習工作站和購買零件的所有細節，搭建該工作站共花費了 6200 美元，幾乎是 Lambda 和 Bizon 等公司的一半（Lambda 同等工作站需要 12,500 美元）。該博客在 Reddit 上瘋傳，在接下來的幾周裡，Lambda 將其 4-GPU 的工作站價格降到了 12000 美元。
這對部署深度學習的人來說是個好事，但你如果覺得 12000 美元還是太貴了，可以看這裡。Curtis Northcutt 只用了 7000 美元（約合 46953 人民幣）配置了 4 塊 2080Ti GPU 的深度學習工作站：
在之前的文章中，我說過：「沒有完美的配置。」但如果能夠以最低的價格實現最好的配置呢？會是怎樣的呢？這就是我下面將要講的。關於 4-GPU 深度學習工作站的部件說明、基準和其它選項，參見《僅需 6200 美元，高性價比構建 3 塊 2080Ti 的強大工作站》。
本文將準確列出以最少的花費搭建當前最先進的 4-GPU 深度學習工作站時需要購買的部件。由於很多人對上一篇博客的反饋是選項太多，因此在本文中我只列出了每個部件的最佳選項。我搭建了三個多 GPU 工作站，本文展示的這個工作站是其中性能和可靠性最好的一個，沒有出現過熱保護，成本也最低。
我搭建兩臺這樣的工作站花費了 14000 美元，每臺 7000 美元。下面將介紹我購買的具體部件。
4-GPU 工作站前視圖
需要購買哪些部件？
我所有的部件都是通過 NeweggBusiness 在網上購買的，但其它供應商（比如亞馬遜）也 OK。如果你附近有一家當地的 MicroCenter 商店，那你可以去那裡買到更便宜的 CPU。如果不需要，就不要繳稅（如非盈利組織或教育機構）。NeweggBusiness 和 Amazon 都接受免稅文件。
以下是我購買的每個部件：
- 4 塊 RTX 2080 TI GPU（2000 美元以下運行最快的 GPU）
- Gigabyte RTX 2080 Ti Turbo 11GB，1280 美元
- 這兩種 2-PCI 插槽的渦輪風扇式 RTX 2080 TI GPU 也可以：
- 1. ASUS GeForce RTX 2080 Ti 11G Turbo Edition GD，1209 美元
- 2. ZOTAC Gaming GeForce RTX 2080 Ti Blower 11GB，1299 美元
- Rosewill Hercules 1600W PSU（最便宜的 1600 瓦電源）
- Rosewill HERCULES 1600W Gold PSU，209 美元
- 1TB m.2 SSD 固態硬盤（用於深度學習中的超快速數據加載）
- HP EX920 M.2 1TB PCIe NVMe NAND SSD，150 美元
- 20 線程 CPU（選擇英特爾而不是 AMD，是因為前者的單線程速度更快）
- 英特爾 Core i9-9820X Skylake X 10-Core 3.3Ghz，850 美元
- X299 主板（這款主板完全支持 4 個 GPU）
- ASUS WS X299 SAGE LGA 2066 英特爾 X299，492.26 美元
- 機箱（大風量可幫助 GPU 散熱）
- 海盜船 Carbide 系列 Air 540 ATX Case，115 美元
- 3TB 硬盤（用於存儲不經常使用的數據和模型）
- 希捷 BarraCuda ST3000DM008 3TB 7200 RPM，75 美元
- 128GB 內存
- 8 塊海盜船 Vengeance 16GB DRAM，640 美元
- CPU 散熱器（不會阻塞機箱氣流）
- 海盜船 Hydro 系列 H100i PRO 低噪音版，130 美元
圖左：價值 7000 美元的 4-GPU 深度學習工作站；圖右：之前博客中介紹的用 6200 美元搭建的 3-GPU 工作站。
與 Lambda 4-GPU 工作站的對比
用 7000 美元搭建的這個 4-GPU 工作站類似於 Lambda 價值 11250 美元的 4-GPU 工作站。唯一的區別是 Lambda 使用 12 核 CPU 而非 10 核 CPU，Lambda 有一個價值 50 美元的熱插拔驅動器托架。
操作系統及性能
我使用的操作系統是 Ubuntu Server 18.04 LTS，使用 CUDA 10.1 和 TensorFlow（用 conda 安裝）、PyTorch（用 conda 安裝）。一個多月來，我在完全利用 4 個 GPU 的情況下在這些機器上訓練了多次，沒有出現任何問題或者過熱保護現象。
原文地址：
閱讀更多 機器之心 的文章
