听说GPU可以提高服务器计算速度，想给戴尔r710服务器配个GPU ，不知道支持不？麻烦高手给点指导性意见

只要服务器中有PCI-E X16的总线，就可以安装。
但GPU加速必须受到软件的支持，而且只对可以并行化的运算进行加速。另外，Nvidia显卡需要使用CUDA编程来实现加速功能，不是插上就能用的，AMD则需要Stream。一般都是用作高性能计算（HPC）的辅助计算加速卡，对于商务应用来说，没什么实际作用。不建议安装。

我个人觉得还是要重视产品的质量和公司的实力，当然性价比高的肯定是优先考虑。在选择GPU服务器的时候，我们公司还是比较看中产品安全和质量的，当时谨慎挑选了很久，最终还是选择了思腾合力。一方面是思腾合力的公司实力和口碑都挺好的，另一方它还是英伟达精英级别代理商，而且拥有完善的研发、生产、制造基地，这个是其他公司比不了的。所以建议你多对比看看，公司和产品都很重要的，不要贪小便宜。

在选择GPU服务器的时候，首先要考虑业务需求，根据具体需求来选择适合的GPU服务器，还需要考虑客户本身使用人群和IT运维能力，考虑配套软件和服务价值，还要考虑整体GPU集群系统的成熟程度以及工程效率等方面。当然我觉得价格也是要考虑到，性价比高那是最好的了。我朋友公司当时采购的是思腾合力家的服务器，看中的就是品牌和服务，它还是英伟达官方授权的经销商，服务方面3年质保，上门服务，免费方案，销售响应迅速，全年无休、售后服务保障长。对于我朋友来说，还是挺合适的选择。

推荐品牌： LINKZOL(联众集群)；
可以参考其官网；
*** 作系统可以安装Ubuntu 1404 LTS，需要如下软件：
编译器：GNU编译器，包括C/C++/Fortran编译器；
Intel编译器，包括C/C++/Fortran编译器、MKL、等；
并行环境：OpenMPI、MPICH等MPI并行环境；
GPU开发环境：最新CUDA驱动、编译器、调试器、SDK及例子文件等；
cuDNN加速，CUDA FFT、CUDA BLAS等；
深度学习框架：Caffe, Torch, Theano, BIDMach、TensorFlow；其中，Caffe需要编译提供python接口和Matla（支持mex编译）接口；
DNN平台：基于B/S架构，便于用户实时且可视化地进行DNN的训练、测试
推荐配置一：
计算平台采用：LZ743GR-2G/Q
系统：Ubuntu 14043 x64
CPU:Intel Xeon十核E5-2630v4(22GHz,80 GT/s)
内存：原厂64GB内存 (16GB×4) DDR4 2133MHZ ECC-REG（带内存校错技术，最大支持2T）
系统硬盘：INTEL 25寸240G 企业级SSD固态硬盘（最大支持8块硬盘，类型：SATA,SSD）
系统硬盘:希捷35寸4T 7200RPM 企业级硬盘（最大支持8块硬盘，类型：SATA,SSD;）
GPU卡：2块NVIDIA TATAN-X GPU卡 （CUDA核心数3584个核心，12G DDR5 显存，最大2个GPU卡）
电源：1200W High efficiency (96%)金牌电源
推荐配置二：
计算平台采用：LZ-748GT
系统：Ubuntu 14043 x64
CPU:Intel Xeon十二核E5-2650v4(22GHz,96 GT/s)
内存：原厂256GB内存 (16GB×16) DDR4 2133MHZ ECC-REG（带内存校错技术，最大支持2T）
系统硬盘：2块INTEL 25寸480G 企业级SSD固态硬盘（最大支持8块硬盘，类型：SATA,SSD）
系统硬盘:3块希捷35寸4T 7200RPM 企业级硬盘（最大支持8块硬盘，类型：SATA,SSD;）
GPU卡：4块TESLA TITANX GPU计算卡或者4块tesla P4O GPU卡 （CUDA核心数3584个核心，12G DDR5 显存，最大4个GPU卡）
电源：2000W High efficiency (94%)冗余钛金电源
推荐配置三：
计算平台采用：LZ428GR-8G/Q
系统：Ubuntu 14043 x64
CPU:Intel Xeon十四核E5-2690v4(26GHz,96GT/s)
内存：原厂256GB内存 (16GB×16) DDR4 2133MHZ ECC-REG（带内存校错技术，最大支持2T）
系统硬盘：2块INTEL 25寸480G 企业级SSD固态硬盘（最大支持8块硬盘，类型：SATA,SSD）
系统硬盘:3块希捷25寸2T 7200RPM 企业级硬盘（最大支持8块硬盘，类型：SATA,SSD;）
GPU卡：8块TESLA P40 GPU计算卡或者8块NVIDIA TATAN-X GPU卡 （CUDA核心数3584个核心，12G DDR5 显存，最大8个GPU卡）
电源：1600W（2+2） High efficiency (96%)钛金电源；
可以咨询：1381O114665

主要是看运行什么软件和数据量，训练数值大小，这里要强调一下，数值大小和数据量是不一样的。

深度学习服务器的核心部件还是CPU、硬盘、内存、GPU，特别是很多深度学习依靠GPU的大规模数据处理能力，这就要强调CPU的计算能力和数量，同时不同的数据对GPU的显存要求也不一样。

当下大部分都在用RTX3090做深度学习，最新RTX4090已经上市，单精度计算能力是RTX3090的2倍，这两个GPU都是24G显存；像A100强调双精度计算能力，显存有40G和80G两个版本，而A6000单精度计算能和RTX3090差不多，显存是48G，可以参考选择。

当然，最重要的还是口袋里的银子，A6000市场价大概是RTX的2倍还要多，A100最近更是要上十万了，估计也快买不到了，价高缺货；RTX3090/4090的价位低，性价比高，这也是为什么大部分人都选择它们做深度学习了，这是市场的选择。

刀片服务器安装GPU加速卡的方法与安装显卡的方法和位置都是一致的。
1、显卡的接口为PCIE接口，是安装在刀片主板的PCIE插槽上的，GPU加速卡的接口为PCIE接口，也是安装在PCIE插槽上的。
2、显卡PCIE接口与GPU加速卡PCIE接口对比，可见完全相同：
3、安装GPU加速卡需要关闭服务器进行安装，安装的 *** 作方式与安装显卡完全相同，对准插槽将GPU加速卡卡入PCIE插槽，锁紧服务器机箱后部的固定装置，完成安装。

选择GPU服务器时首先要考虑业务需求来选择适合的GPU型号。在HPC高性能计算中还需要根据精度来选择，比如有的高性能计算需要双精度，这时如果使用P40或者P4就不合适，只能使用V100或者P100；同时也会对显存容量有要求，比如石油或石化勘探类的计算应用对显存要求比较高；还有些对总线标准有要求，因此选择GPU型号要先看业务需求。

GPU服务器人工智能领域的应用也比较多。在教学场景中，对GPU虚拟化的要求比较高。根据课堂人数，一个老师可能需要将GPU服务器虚拟出30甚至60个虚拟GPU，因此批量Training对GPU要求比较高，通常用V100做GPU的训练。模型训练完之后需要进行推理，因此推理一般会使用P4或者T4，少部分情况也会用V100。

综上所述，选择服务器时不仅需要考虑业务需求，还要考虑性能指标，比如精度、显存类型、显存容量以及功耗等，同时也会有一些服务器是需要水冷、降噪或者对温度、移动性等等方面有特殊的要求，就需要特殊定制的服务器。

欢迎了解更多：网页链接

GPU服务器，就是有专用显卡的服务器，一般多用于超级算力，图形计算，或者说IPFS挖矿等，一般来说，GPU服务器多为4U的服务器。根据GPU的数量不同，该服务器的功率也是不一样的。
一块GPU卡一般耗电350W，一般4U的服务器最大可以支持8块GPU卡，通常业内多称之为8卡GPU服务器，当然也有4卡，6卡的。如果装满8卡GPU，那么其耗电在2800瓦，差不多就是 13A电力。一般常规的机房机柜标准配电是13A起步 （也有按10A起步的）
如果是放在13A电力的机柜里，那么一台4U 8卡的GPU服务器就得占用一个机柜，所以这个时候，如果客户机器数量比较多的话，就租用高电机柜比较合算，不然一台占一个机柜，机柜空间就大大的浪费了。
一般来说，不计算用电的情况下，一个4U的机柜的机柜费是根据 一个机柜的总成本除8得出来的（因为一个42U的机柜 空间上可以放8台4U服务器）。比如说我们国门机房 1个机柜 42U ，13A电力一个月是4000元，除8等于500元。也就是说正常在国门机房，如果1个4U的机位，在用电不超过13除以8也就是1625A的情况下，只需要500元的机位费。 当然这个是理论值，一般来说4U的机器，耗电量正常的都要在25A左右，如果是GPU专业服务器，常见耗电在5A左右，也有一台耗电量在13，或25或32A等不同档次的。
所以说咱们在托管GPU服务器的时候，一定要确定机器的耗电量是多少，然后再看是整租个普通机柜，还是租用高电机柜 放多台GPU服务器。

---