云服務(wù)太麻煩，我花9000美元自建深度學(xué)習(xí)工作站，就要上雙路泰坦RTX！

taotao_2016 2020-08-14

展開全文

貴是貴了點兒，但用起來是真香。

創(chuàng)建屬于自己的深度學(xué)習(xí)工作站大概是很多機器學(xué)習(xí)從業(yè)者的夢想，本文作者 Rahul Agarwal 也不例外。然而創(chuàng)建工作站并非易事，你得有時間，還得有錢。主要是得有錢……??

在拖延了很長時間后，Rahul Agarwal 下定決心創(chuàng)建自己的工作站。原因無他，受夠了使用云服務(wù)時，不管多小的項目都要設(shè)置服務(wù)器、進行一系列安裝，或者運行時和網(wǎng)絡(luò)連接受限。

于是，Rahul 決定行動起來。在創(chuàng)建工作站之前，他閱讀了大量資料，觀看了很多相關(guān)的 YouTube 視頻，做足了準(zhǔn)備工作。

按照個人需求創(chuàng)建深度學(xué)習(xí)工作站需要大量研究，Rahul 研究了單個組件、性能、評論甚至外觀，并寫下了整個過程、所有組件以及選擇原因等詳細信息。

如果你也想創(chuàng)建深度學(xué)習(xí)工作站，Rahul 的這篇文章或許可以作為參考。

為什么要創(chuàng)建個人工作站？

映入我腦海的第一個答案是：為什么不呢？

我的工作和深度學(xué)習(xí)、機器學(xué)習(xí)應(yīng)用密切相關(guān)，但是每一次開啟新項目都要使用新的服務(wù)器、安裝所有依賴，真是讓人頭禿。

如果有了屬于自己的工作站，你就可以坐在桌邊使用它，根據(jù)自己的需求進行大量定制。簡直太棒了！

不過相比于使用云服務(wù)，創(chuàng)建工作站這個主意真的讓我「身無長物」了。

工作站配置

我用了好幾周時間，搞定了所有配置。

從一開始，我就目標(biāo)明確：擁有大量算力，組件能在未來幾年中進行更新。目前，我的最高優(yōu)先級是創(chuàng)建一個支持兩塊英偉達 RTX Titan 顯卡（具備 NVLink 橋）的系統(tǒng)。這樣我就可以擁有 48GB 的 GPU 內(nèi)存了！

PS: 以下配置或許并非最優(yōu)配置，可能會有價格更低廉的選擇，但我確定該配置會讓我未來不那么頭大…… 因此，我選擇了它。此外，我還向英偉達尋求了大量建議。

1. 英特爾 i9 9920x 3.5 GHz 12 核處理器

我選擇的是英特爾處理器，而不是 AMD。原因是英特爾擁有更兼容和相關(guān)的軟件，如 MKL，它對我使用的大部分 Python 庫有益。

另一個可能也更重要的原因是：英偉達的工作人員建議，如果我想上雙路泰坦 RTX，最好用 i9。這樣以后就不頭痛啦~

那么，為什么從英特爾的產(chǎn)品里選擇了這一款呢？

我最開始考慮了 9820X（10 核）和 9980XE（18 核），但后者超出預(yù)算太多。后來，我發(fā)現(xiàn)了 12 核的 3.5 GHz 處理器 i9–9920X，既滿足預(yù)算，同時它對于中檔解決方案也是更優(yōu)的選擇。

CPU 決定了其他組件的選擇。例如，如果你選擇 i9 9900X 系列 CPU，你就必須選擇 X299 主板；如果你使用 AMD Threadripper CPU，那么你將需要一個 X399 主板。

因此，注意選擇合適的 CPU 和主板。

2. MSI X299 SLI PLUS ATX LGA2066 主板

這是一次艱難的選擇，選項實在太多了。我需要一個至少支持 96GB RAM 的主板（這也是為了滿足雙路泰坦 RTX 的需求）。這就意味著，如果我使用 16GB RAM 模塊，我就必須擁有至少 6 個插槽，16x6=96。而這個主板有 8 個插槽，也就是說可以擴展到 128 GB RAM。

我還想讓這個系統(tǒng)以后可以擁有 2 TB NVMe 固態(tài)硬盤，也就是說我需要兩個 M.2 端口，而這塊主板恰好具備。

我查看了很多選項，基于 ATX Form factor、4 個 PCI-E x16 插槽、主板價格這些要求，最終選擇了這一款。

3. 貓頭鷹 NH-D15 chromax.BLACK 82.52 CFM CPU 散熱器

現(xiàn)在液體冷卻很流行。最初，我想選擇 AIO 散熱器（液體冷卻）。

但是，與英偉達的工作人員溝通并在論壇上查看兩個選項的利弊之后，我意識到空氣冷卻更符合我的需求。于是選擇了貓頭鷹 NH-D15，這也是市場上最好的空氣冷卻器之一。于是，我就用最好的空氣冷卻器替換掉了平庸的液體冷卻器，而且這款冷卻器很安靜。

4. 追風(fēng)者 Enthoo Pro Tempered Glass 機箱

接下來要考慮的是機箱了，它需要足夠大能夠裝下所有組件，而且提供所需的冷卻能力。

我想要的工作站具備雙路泰坦 RTX、9920x CPU 和 128 GB RAM，會產(chǎn)生大量的熱。

而且還要考慮到貓頭鷹空氣冷卻器和大量風(fēng)扇，于是我只剩下兩個選擇：海盜船 Air 540 ATX 和追風(fēng)者 Enthoo Pro Tempered Glass PH-ES614PTG_SWT。

兩個都是不錯的選擇，但是我最終選擇了后者，因為它上市時間更晚，規(guī)格也更大（全塔機箱），為未來更多定制化需求提供了選擇空間。

5. 雙路泰坦 RTX + 三插槽版 NVLink

雙路泰坦 RTX 是目前為止最重要也最昂貴的部分了。單這一項就在所有成本中占了很大比重，但效果很棒不是嗎？

我想使自己的工作站具備高性能 GPU，英偉達的工作人員給我發(fā)過來兩塊泰坦讓我測試。

我愛上了它們：設(shè)計、放進工作站后的整體外觀，以及結(jié)合三插槽版 NVLink 高效提供 48 GB GPU 內(nèi)存的能力。

如果預(yù)算不夠，兩塊英偉達 GeForce RTX 2080 Ti 也是不錯的選擇。只有一個問題：使用 RTX 2080 Ti 后訓(xùn)練批大小需要比較小，而且在有些情況下你可能無法訓(xùn)練大模型，因為 RTX 2080 Ti 的內(nèi)存只有 11GB。此外，你還無法使用 NVLink，在泰坦中 NVLink 可以結(jié)合多個 GPU 的顯存（VRAM）。

6. 固態(tài)硬盤：三星 970 Evo Plus 1 TB NVME SSD

那么，存儲呢？在 SSD 領(lǐng)域中，NVMe SSD 和三星 Evo Plus 毫無疑問是最受歡迎的兩款。

我買了其中一款，不過我的主板上有兩個 M.2 端口，將來我會使用 2TB 的 SSD 存儲。

你也可以多購買幾個 2.5 英寸的 SSD，來獲得更多的存儲空間。

7. 內(nèi)存：海盜船 Vengeance LPX 128GB (8x16GB) DDR4 3200 MHz

我第一臺計算機的內(nèi)存是 4MB，沒想到有一天我會用 128G 的內(nèi)存來搭建計算機。

根據(jù)英偉達團隊的建議，我想配至少 96G 的內(nèi)存。所以我沒在這上面省錢，直接配了 128 GB 的內(nèi)存。

從圖中可以看出來，這些內(nèi)存條不是 RGB lit。之所以這樣做，是因為貓頭鷹空氣冷卻器不會為內(nèi)存插槽提供很大的間隙，而 RGB lit 的高度略高。這一點要記住。

另外，我從未嘗試過 RGB 配置，因為我的心里只有泰坦。

8. 海盜船 1200W 電源

1200W 算是相當(dāng)大的電源了，但你需要知道，這些組件在全功率情況下的瓦數(shù)估計是 965W 左右。

其實也有其他制造商提供的幾種電源可以選擇，而我選擇這款是因為「海盜船」的名字。本來我想選擇 HX 1200i 的，但買不到，而 AX1200i 又貴得多。它們也都是很好的選擇。

9. 更多風(fēng)扇

靜音散熱器。

追風(fēng)者機箱配備了三個風(fēng)扇，但有人建議我升級一下進風(fēng)口，并將機箱的排風(fēng)扇升級為 BeQuiet BL071 PWM 風(fēng)扇，因為雙泰坦會散發(fā)大量的熱量。我注意到這一點，是因為機器開機時，房間溫度比室外溫度高 2 到 3 度。

為了獲得最佳的散熱效果，我購買了五個這樣的風(fēng)扇。我在機箱的頂部放了兩個風(fēng)扇，和一個追風(fēng)者機箱風(fēng)扇放在一起，另外兩個放在了機箱前面，機箱后面也放了一個。

10. 周邊設(shè)備

已經(jīng)擁有了上述組件，我不想買廉價的周邊設(shè)備。所以我買了一臺 LG 27UK650 4k 顯示器用來進行內(nèi)容創(chuàng)作，一臺 BenQ（明基）EX2780Q 1440p 144hz 游戲顯示器用來打游戲，還買了一個海盜船 K68 Cherry MX 紅軸機械鍵盤和海盜船 M65 Pro 鼠標(biāo)。

至此，搭建工作全部完成！

賬單

買了這么多組件，尤其是還配備了雙路泰坦，一共花了多少錢呢？

Rahul Agarwal 展示了購物清單：

清單地址：https:///list/zLVjZf

賬單總價是 9031.74 美元，可以說相當(dāng)昂貴了。不過這些價格會出現(xiàn)一些浮動空間，你可以選擇價格組合最低的時候入手。

最終成果證明這些努力都是值得的。

原文鏈接：https:///creating-my-first-deep-learning-data-science-workstation-bd39c2f687e2