7000美元，搭建4块2080Ti的深度学习工作站

如何以高性价比的方式搭建深度学习工作站？如何选择合适的部件？……这些问题有点难。来自 MIT 的 Curtis Northcutt 继「」之后，又推出了「7000 美元搭建 4-GPU 深度学习工作站」的教程。

在之前的博客中，来自 MIT 的 Curtis Northcutt 分享了构建专业质量的深度学习工作站和购买零件的所有细节，搭建该工作站共花费了 6200 美元，几乎是 Lambda 和 Bizon 等公司的一半（Lambda 同等工作站需要 12,500 美元）。该博客在 Reddit 上疯传，在接下来的几周里，Lambda 将其 4-GPU 的工作站价格降到了 12000 美元。

这对部署深度学习的人来说是个好事，但你如果觉得 12000 美元还是太贵了，可以看这里。Curtis Northcutt 只用了 7000 美元（约合 46953 人民币）配置了 4 块 2080Ti GPU 的深度学习工作站：

在之前的文章中，我说过：「没有完美的配置。」但如果能够以最低的价格实现最好的配置呢？会是怎样的呢？这就是我下面将要讲的。关于 4-GPU 深度学习工作站的部件说明、基准和其它选项，参见《》。

本文将准确列出以最少的花费搭建当前最先进的 4-GPU 深度学习工作站时需要购买的部件。由于很多人对上一篇博客的反馈是选项太多，因此在本文中我只列出了每个部件的最佳选项。我搭建了三个多 GPU 工作站，本文展示的这个工作站是其中性能和可靠性最好的一个，没有出现过热保护，成本也最低。

我搭建两台这样的工作站花费了 14000 美元，每台 7000 美元。下面将介绍我购买的具体部件。

4-GPU 工作站前视图。

需要购买哪些部件？

我所有的部件都是通过 NeweggBusiness 在网上购买的，但其它供应商（比如亚马逊）也 OK。如果你附近有一家当地的 MicroCenter 商店，那你可以去那里买到更便宜的 CPU。如果不需要，就不要缴税（如非盈利组织或教育机构）。NeweggBusiness 和 Amazon 都接受免税文件。

以下是我购买的每个部件：

• 4 块 RTX 2080 TI GPU（2000 美元以下运行最快的 GPU）

• Gigabyte RTX 2080 Ti Turbo 11GB，1280 美元

• 这两种 2-PCI 插槽的涡轮风扇式 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 瓦电源）

• Rosewill HERCULES 1600W Gold PSU，209 美元

• 1TB m.2 SSD 固态硬盘（用于深度学习中的超快速数据加载）

• HP EX920 M.2 1TB PCIe NVMe NAND SSD，150 美元

• 20 线程 CPU（选择英特尔而不是 AMD，是因为前者的单线程速度更快）

• 英特尔 Core i9-9820X Skylake X 10-Core 3.3Ghz，850 美元

• X299 主板（这款主板完全支持 4 个 GPU）

• ASUS WS X299 SAGE LGA 2066 英特尔 X299，492.26 美元

• 机箱（大风量可帮助 GPU 散热）

• 海盗船 Carbide 系列 Air 540 ATX Case，115 美元

• 3TB 硬盘（用于存储不经常使用的数据和模型）

• 希捷 BarraCuda ST3000DM008 3TB 7200 RPM，75 美元

• 128GB 内存

• 8 块海盗船 Vengeance 16GB DRAM，640 美元

• CPU 散热器（不会阻塞机箱气流）

• 海盗船 Hydro 系列 H100i PRO 低噪音版，130 美元

图左：价值 7000 美元的 4-GPU 深度学习工作站；图右：之前博客中介绍的用 6200 美元搭建的 3-GPU 工作站。

与 Lambda 4-GPU 工作站的对比

用 7000 美元搭建的这个 4-GPU 工作站类似于 Lambda 价值 11250 美元的 4-GPU 工作站。唯一的区别是 Lambda 使用 12 核 CPU 而非 10 核 CPU，Lambda 有一个价值 50 美元的热插拔驱动器托架。

操作系统及性能

我使用的操作系统是 Ubuntu Server 18.04 LTS，使用 CUDA 10.1 和 TensorFlow（用 conda 安装）、PyTorch（用 conda 安装）。一个多月来，我在完全利用 4 个 GPU 的情况下在这些机器上训练了多次，没有出现任何问题或者过热保护现象。

原文地址：http://l7.curtisnorthcutt.com/the-best-4-gpu-deep-learning-rig

本文为机器之心编译，转载请联系本公众号获得授权。

✄------------------------------------------------

加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com

投稿或寻求报道：content@jiqizhixin.com

广告 & 商务合作：bd@jiqizhixin.com