学习人工智能机器学习需要什么配置的电脑
机器学习和人工智能应用有多种类型——从传统的回归模型、非神经网络分类器和以PythonSciKitLearn和R语言的功能为代表的统计模型，到使用PyTorch和TensorFlow等框架的深度学习模型.在这些不同类型的ML/AI模型中，也可能存在显着差异。“最佳”硬件将遵循一些标准模式，但您的特定应用程序可能有独特的最佳要求。
我们的建议将基于典型工作流程的一般性。请注意，这主要针对用于编程模型“训练”而不是“推理”的ML/DL工作站硬件。
处理器（中央处理器）在ML/AI领域，GPU加速在大多数情况下主导性能。但是，处理器和主板定义了支持该平台的平台。还有一个现实是，必须花费大量精力进行数据分析和清理以准备在GPU中进行训练，而这通常是在CPU上完成的。当板载内存(VRAM)可用性等GPU限制需要时，CPU也可以作为主要计算引擎。
什么CPU最适合机器学习和人工智能？
推荐的两个CPU平台是IntelXeonW和AMDThreadripperPro。这是因为它们都提供了出色的可靠性，可以为多个视频卡(GPU)提供所需的PCI-Express通道，并在CPU空间中提供出色的内存性能。我们通常建议使用单路CPU工作站来减少跨多CPU互连的内存映射问题，这可能会导致将内存映射到GPU的问题。
更多的CPU内核会使机器学习和AI更快吗？
选择的内核数量将取决于非GPU任务的预期负载。根据经验，建议每个GPU加速器至少有4个内核。但是，如果您的工作负载具有重要的CPU计算组件，那么32甚至64个内核可能是理想的选择。在任何情况下，16核处理器通常被认为是此类工作站的最低要求。
机器学习和AI与Intel或AMDCPU配合使用效果更好吗？
这个领域的品牌选择主要是偏好问题，至少如果您的工作负载以GPU加速为主。但是，如果您的工作流程可以从英特尔oneAPIAI分析工具包中的某些工具中获益，则英特尔平台会更可取。
为什么推荐Xeon或ThreadripperPro而不是更“消费者”级别的CPU？
对ML和AI工作负载提出此建议的最重要原因是这些CPU支持的PCI-Express通道数量，这将决定可以使用多少GPU。IntelXeonW-3300和AMDThreadripperPro3000系列都支持足够的PCIe通道用于三个或四个GPU（取决于主板布局、机箱空间和功耗）。此类处理器还支持8个内存通道，这会对CPU密集型工作负载的性能产生重大影响。另一个考虑因素是这些处理器是“企业级”的，并且整个平台在持续的重计算负载下可能很健壮。
显卡(GPU)自2010年代中期以来，GPU加速一直是推动机器学习和人工智能研究快速发展的驱动力。2019年底，DonKinghorn博士撰写了一篇博文，讨论了NVIDIA在该领域产生的巨大影响。对于深度学习训练，图形处理器提供了比CPU更显着的性能提升。
哪种类型的GPU（显卡）最适合机器学习和人工智能？
NVIDIA在GPU计算加速方面占据主导地位，毫无疑问是标准。他们的GPU将是最受支持和最容易使用的。还有其他加速器，例如一些高端AMDGPU、来自不同制造商的FPGA，以及其他具有潜力的新兴ML加速处理器——但它们目前的可用性和可用性将排除我们推荐它们的可能性。
机器学习和AI推荐使用哪些显卡？
几乎所有NVIDIA显卡都可以工作，更新和更高端的型号通常提供更好的性能。幸运的是，大多数具有GPU加速的ML/AI应用程序在单精度(FP32)下运行良好。在许多情况下，使用具有混合精度的Tensor核心(FP16)可为深度学习模型训练提供足够的准确性，并提供比“标准”FP32显着的性能提升。大多数最新的NVIDIAGPU都具有此功能，但低端卡除外。
NVIDIA的GeForceRTX4080和4090等消费类显卡可提供非常出色的性能，但由于其散热设计和物理尺寸，可能难以在具有两个以上GPU的系统中进行配置。RTXA5000和A6000等“专业”NVIDIAGPU质量高，往往具有更多板载内存，并且在多GPU配置中运行良好。特别是RTXA6000，其48GBVRAM，推荐用于处理具有“大特征尺寸”的数据，例如更高分辨率的图像、3D图像等。
机器学习和AI需要多少VRAM（显存）？
这取决于模型训练的“特征空间”。GPU上的内存容量有限，ML模型和框架受到可用VRAM的限制。这就是为什么在训练之前进行“数据和特征缩减”是很常见的原因。例如，训练数据的图像通常分辨率较低，因为像素数量成为限制性关键特征维度。然而，尽管存在这些限制，该领域还是取得了巨大的成功！每个GPU8GB的内存被认为是最小的，并且肯定是许多应用程序的限制。12到24GB相当普遍，并且在高端视频卡上很容易获得。对于更大的数据问题，NVIDIARTXA6000上可用的48GB可能是必需的——但通常不需要。
多个GPU会提高机器学习和人工智能的性能吗？
一般是的。在我们推荐的配置中，我们默认使用多个显卡，但此提供的好处可能会受到您正在进行的开发工作的限制。所使用的框架或程序必须支持多GPU加速。幸运的是，多GPU支持现在在ML和AI应用程序中很常见——但如果您在没有现代框架的情况下进行开发工作，那么您可能不得不自己实施它。
另请记住，像NVIDIARTX3090或A5000这样的单个GPU可以提供显着的性能，并且可能足以满足您的应用程序。在工作站中拥有2个、3个甚至4个GPU可以提供惊人的计算能力，甚至可能足以解决许多大型问题。还建议在进行开发工作时至少有两个GPU，以启用多GPU功能和缩放的本地测试——即使“生产”作业将被卸载到单独的GPU计算集群。
机器学习和AI在NVIDIA或AMD上运行得更好吗？
为了使AMDGPU可用于该领域，正在做一些工作，英特尔很快就会进入该领域，但实际上NVIDIA占据主导地位，并且在计算GPU背后进行了十多年的成功、密集的研究和开发工作。
机器学习和人工智能需要“专业”显卡吗？
不会。NVIDIAGeForceRTX3080、3080Ti和3090是适合此类工作负载的出色GPU。但是，由于散热和尺寸限制，“pro”系列RTXA5000和高内存A6000最适合具有三个或四个GPU的配置。从历史上看，现代ML/AI是在NVIDIA游戏GPU上开发的，它们在开发工作站中仍然很常见。对于要求最严苛的工作负载，出色的NVIDIA计算GPUA100可用于机架式配置。它们非常昂贵，但性能惊人。
使用多个GPU进行机器学习和AI时是否需要NVLink？
NVIDIA的NVLink在一对GPU之间提供直接的高性能通信桥梁。这是否有益取决于问题类型。对于训练多种类型的模型，不需要它。但是，对于任何具有“历史”组件的模型，例如RNN、LSTM、时间序列，尤其是Transformer模型，NVLink可以提供显着的加速，因此推荐使用。请注意，并非所有NVIDIAGPU都支持NVLink，而且它只能桥接两张卡。
内存（随机存取存储器）ML/AI系统CPU端的内存容量和性能当然取决于正在运行的作业，但可能是一个非常重要的考虑因素，并且有一些最低限度的建议。
机器学习和人工智能需要多少RAM？
第一条经验法则是CPU内存量至少是系统中总GPU内存量的两倍。例如，具有2个GeForceRTX3090GPU的系统将具有48GB的总VRAM–因此系统应配置为128GB（96GB是两倍，但128GB通常是最接近的可配置数量）。
第二个考虑因素是需要多少数据分析。通常需要（或至少希望）能够将完整的数据集拉入内存以进行处理和统计工作。这可能意味着大内存需求，多达1TB（或很少甚至更多）的系统内存。这是我们建议使用工作站和服务器级处理器的原因之一：它们比消费类芯片支持更多的系统内存。
存储（硬盘）
存储是“超出您的想象”可能是个好主意的领域之一。此处的最低要求类似于CPU内存要求。毕竟，您的数据和项目必须可用！
哪种存储配置最适合机器学习和人工智能？
建议尽可能使用快速NVMe存储，因为当数据太大而无法放入系统内存时，数据流速度可能成为瓶颈。从NVMe暂存作业运行可以减少作业运行速度减慢。NVMe驱动器通常提供高达4TB的容量。
与用于暂存作业的快速NVMe存储一起，更传统的基于SATA的SSD提供更大的容量，可用于超过典型NVMe驱动器容量的数据。8TB通常可用于SATASSD。
盘片驱动器可用于归档存储和非常大的数据集。现已提供18TB+容量。
此外，上述所有驱动器类型都可以配置为RAID阵列。这确实增加了系统配置的复杂性，并且可能会用完主板上本来可以支持额外GPU的插槽——但可以允许10到100TB的存储空间。
总结机器学习和人工智能的硬件配置要求很高的，可能配置起来可以流畅进行运算和设计的电脑都需要上万元，而且还不能根据你后期的需求来弹性的安排硬件，最终花大价钱搞定的电脑不到2年就要再去更换，如果是企业遇到这种需要大批量采购电脑的情况，用完之后再有业务需求需要弹性扩容的情况，那之前的硬件投入的资金就要浪费掉了，为了避免浪费以及低成本高效率的办公，企业和个人都选择赞奇云工作站，随开随用，按需收费，高效一键上云，企业客户量多从优，优惠多多，帮助企业节省成本，一定要试试。
上赞奇云工作站不需要复杂的安装和部署，就能随时随地享受到行业领先配置的机器，高画质稳定输出作品，减少本地配置时间和成本投入，完全不同担心电脑卡顿、运行不动等问题。
赞奇云工作站软件中心囊括SketchUp、3dsMax、AE、UnrealEngine、Illustrator、CAD、Houdini、Lumion等，满足不同领域设计师们的软件差异性需求，并且能在高性能算力的支持下更顺畅的运行各类设计软件。
更方便的是，赞奇超级云盘弹性扩容、分级管理、盘符挂载等特征，还能帮助员工们建立内部共享素材数据库，提高内部素材传输效率和利用率，也能随时掌握团队成员的工作完成进度。
此外，基于域控的安全策略，还可以免受病毒攻击，并且提供自动多副本可靠性机制。就算本地电脑中毒或出现故障情况，也不会引起数据丢失，助力设计师们高效作品创作。
注：去赞奇云工作站官网地址zanqicloud.com/找在线客服有优惠价，可免费试用云电脑，企业客户优惠多多哦。
适合AI人工智能、训练电脑、神经网络、深度学习电脑主机配置推荐
近期某大学学生找到装机之家咨询电脑配置，称他们导师想要一套深度学习用途的电脑主机，对电脑配置要求较高，预算一万五内，CPU要求是九代i7，单路GPU。针对网友要求，装机之家分享一套适合AI人工智能、训练电脑、神经网络、深度学习电脑主机配置推荐，来看看吧。
深度学习电脑主机配置推荐
深度学习是利用复杂的多级深度神经网络来打造的一些系统，这些系统能够从海量的未标记训练数据中进行特征检测，海量训练数据的出现以及GPU计算所提供的强大而高效的并行计算促进了机器学习的广泛应用。
电脑配置清单：
intel九代i7-9700K配RTX2080深度学习电脑主机配件名称品牌型号参考价格处理器Intel酷睿i7-9700K（盒装）￥2999散热器酷冷至尊冰神B240一体式水冷散热器￥399显卡技嘉GeForceRTX2080GAMINGOC（单路）￥5799主板华硕PRIMEZ390-A主板￥1599内存美商海盗船复仇者LPXDDR4300016GB内存￥599硬盘三星970EVOPlus500GNVMeM.2固态硬盘￥849机箱安钛克P101静音中塔机箱￥399电源长城巨龙GW-EPS1250DA电源（额定1250W）￥999显示器用户自选--键鼠装用户自选--参考价格13642元QQ或者微信：80062824咨询电脑配置注：由于电脑硬件更新换代步伐较快，如果有产品停产请使用新产品替代。另外，硬件价格会随着行情变化会有浮动，请参考当天价格为准，以上组装电脑配置清单价格仅提供参考。
电脑硬件点评：
CPU方面，本套装机属于intel新发布的酷睿九代新平台，采用了高端i7-9700K处理器，相比上一代的i7-8700K性能有所升级。intel酷睿i7-9700K核心代号依旧是CoffeeLake，依旧采用LGA1151接口类型，所以全面兼容300系主板，最佳适合Z390主板。属于原生8核8线程，采用14nm++制造工艺，支持超频；基础频率大小3.6GHz，睿频最高达4.9GHz，拥有12MB三级缓存，内置UHD630核心显卡，支持双通道DDR4-2666MHz频率内存，TDP热功耗设计仅为95W。
Intel酷睿i7-9700K（盒装）
i7-9700K还有一款是F版本的，即i7-9700KF，价格相对便宜不少，去掉了核心显卡，但是其它规格上保持一致。此外，我们还可以考虑散片CPU进一步提升性价比。对于深度学习主机来说，一般i7-9700K已经足够了，当然对CPU要求较高，也可以考虑i9-9900K。
主板方面，对于九代i7-9700K高端处理器，自然最佳搭配Z390高端主板，装机之家小编推荐的是华硕PRIMEZ390-A主板，拥有高达9相数字供电，采用ATX大板设计，仍然采用经典的白色装甲和黑色PCB设计，具有很高的辨识度。支持3个PCIExpressx16显卡插槽，支持2路SLI以及3路CrossFireX，方便用户组建双显卡SLI，，配备四根内存插槽，最大支持64G。
华硕PRIMEZ390-A主板