如何组装深度学习的计算机

今天这篇博客来讲讲进行深度学习时，所需的设备配置的问题。
1.如果需要运行特别大的深度学习模型，可以用一些在线的资源，比如华为云、Paddle、Amazon Web Services、Google Cloud、Microsoft Azure等云计算资源。
2.如果资金比较充足，可以自己组装深度学习的计算机，那么就需要考虑到CPU、GPU、固态硬盘…这里简要介绍一下所需的基本的配置。
GPU
每一个深度学习机器的核心是GPU，它要为大部分PyTorch计算提供动力，这可能也是机器中最贵的部件。近几年来，由于比特币之类的加密货币挖矿中大量使用，GPU的价格在不断上涨，而供应量却在不断缩减。尽管目前市面上有AMD制造的GPU卡，但是目前它们对PyTorch的支持还不够好，所以除了NVIDIA卡，不建议选择其他GPU卡。不过，也可以关注AMD的ROCm技术，最终会使AMD在GPU市场占有一席之地，并成为一个可靠的选择。
CPU/主板
对于深度学习而言，CPU并不那么重要，只要你有一个性能强大的GPU，即使CPU速度慢一点也没关系。不过，在深度学习处理数据增强时，很多情况下，CPU会成为瓶颈。
RAM
RAM越多越好，因为这意味着在运行深度学习模型时，我们可以在内存中保留更多的数据，而不用访问速度慢得多的磁盘存储(特别是在训练阶段，这一点尤为重要)，一般来说，机器至少需要有64GB DDR4内存。
存储
定制机器安装的存储要分为两类：第一类是M2接口固态硬盘(solid-state drive,SSD),只要财力允许，SSD要尽可能大，这样在活跃地处理项目工作时，就能尽快地方位你的热数据。对于第二类存储，可以增加一个4TB Serial ATA（SATA）硬盘来维护不太活跃的数据，并根据需要转换冷热存储。
同时，读者也可以访问PCPartPicker(https://pcpartpicker.com/),看一下其他人深度学习机器。你将会对配件清单和相应价格有所了解，价格变动可能很大，特别是GPU卡。
注：文章摘选自《基于PyTorch的深度学习》IanPointer著