普通计算机和大型服务器的GPU温度测量原理（硬件）？

深度学习GPU工作站/服务器硬件配置方案
I
市场上用于深度学习训练计算机大致情况如下：
（1）服务器/工作站（支持2、4、8块GPU架构）：普遍存在噪音大，无法放置于办公环境，必须放到专门的机房，维护成本高，另外数据存储带宽、延迟、容量也不尽如意。
（2）分布式集群架构：性能强大，但是开发成本太高（太贵），是大多数科研单位及个人无法承受。
（3）组装电脑：这类特点是价格便宜，但是在散热和功率方面依然是普通家用/游戏电脑标准，稳定性巨差。
（4）大部分GPU计算机(服务器/工作站）：重点都放在GPU卡数量上，似乎只要配上足够GPU卡，就可以了。
然而，机器硬件配置还需要整体均衡，不同的学习框架更需要不同GPU卡去适配。
主流学习框架
主流框架加速效能
上图是不同的DL框架加速效能（NVIDIA GP100为例），不同的框架并不是GPU越多效能就越高。
深度学习计算密集，所以需要一个快速多核CPU，对吧？！
听说深度学习有很多显卡就可以了，一个高速CPU可能是种浪费？！
搭建一个深度学习系统时，最糟糕的事情之一就是把钱浪费在并非必需的硬件上。
一个高性能且经济的深度学习系统所需的硬件到底要如何配置？！
一 深度学习计算特点与硬件配置分析：
深度学习计算特点
1数据存储要求
在一些深度学习案例中，数据存储会成为明显的瓶颈。做深度学习首先需要一个好的存储系统，将历史资料保存起来。
主要任务：历史数据存储，如：文字、图像、声音、视频、数据库等。
数据容量：提供足够高的存储能力。
读写带宽：多硬盘并行读写架构提高数据读写带宽。
接口：高带宽，同时延迟低。
传统解决方式：专门的存储服务器，借助万兆端口访问。
缺点：带宽不高，对深度学习的数据读取过程时间长(延迟大，两台机器之间数据交换)，成本还巨高。
UltraLA解决方案：
将并行存储直接通过PCIe接口，提供最大16个硬盘的并行读取，数据量大并行读取要求高，无论是总线还是硬盘并行带宽，都得到加大提升，满足海量数据密集I/O请求和计算需要。
2 CPU要求
如今深度学习CPU似乎不那么重要了，因为我们都在用GPU，为了能够明智地选择CPU我们首先需要理解CPU，以及它是如何与深度学习相关联的，CPU能为深度学习做什么呢？当你在GPU上跑深度网络时，CPU进行的计算很少，但是CPU仍然需要处理以下事情：
（1）数据从存储系统调入到内存的解压计算。
（2）GPU计算前的数据预处理。
（3）在代码中写入并读取变量，执行指令如函数调用，创建小批量数据，启动到GPU的数据传输。
（4）GPU多卡并行计算前，每个核负责一块卡的所需要的数据并行切分处理和控制。
（5）增值几个变量、评估几个布尔表达式、在GPU或在编程里面调用几个函数——所有这些会取决于CPU核的频率，此时唯有提升CPU频率。
传统解决方式：CPU规格很随意，核数和频率没有任何要求。
UltraLA解决方案：
CPU频率尽量高
CPU三级缓存尽量大（有必要科普一下CPU缓存）
“这是个经常被忽视的问题，但是通常来说，它在整个性能问题中是非常重要的一部分。CPU缓存是容量非常小的直接位于CPU芯片上的存储，物理位置非常接近CPU，能够用来进行高速计算和 *** 作。CPU通常有缓存分级，从小型高速缓存（L1，L2）到低速大型缓存（L3，L4）。作为一个程序员，你可以将它想成一个哈希表，每条数据都是一个键值对（key-value-pair），可以高速的基于特定键进行查找：如果找到，就可以在缓存得值中进行快速读取和写入 *** 作；如果没有找到（被称为缓存未命中），CPU需要等待RAM赶上，之后再从内存进行读值——一个非常缓慢的过程。重复的缓存未命中会导致性能的大幅下降。有效的CPU缓存方案与架构对于CPU性能来说非常关键。深度学习代码部分——如变量与函数调用会从缓存中直接受益。”
CPU核数：比GPU卡数量大（原则：1核对应1卡，核数要有至少2个冗余）。
3 GPU要求
如果你正在构建或升级你的深度学习系统，你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上，收获巨大。
主要任务：承担深度学习的数据建模计算、运行复杂算法。
传统架构：提供1~8块GPU。
UltraLA解决方案：
数据带宽：PCIe8x 30以上。
数据容量：显存大小很关键。
深度学习框架匹配：CPU核-GPU卡 1对1。
GPU卡加速：多卡提升并行处理效率。
4内存要求
至少要和你的GPU显存存大小相同的内存。当然你也能用更小的内存工作，但是，你或许需要一步步转移数据。总而言之，如果钱够，而且需要做很多预处理，就不必在内存瓶颈上兜转，浪费时间。
主要任务：存放预处理的数据，待GPU读取处理，中间结果存放。
UltraLA解决方案：
数据带宽最大化：单Xeon E5v4 4通道内存，双XeonE5v4 8通道内存，内存带宽最大化。
内存容量合理化：大于GPU总显存。
说了那么多，到底该如何配置深度学习工作站，下面是干货来袭~
二 深度学习工作站介绍与配置推荐
1 UltraLABGX370i-科研型
UltraLAB GX370i-科研型
硬件架构：4核47GHz~50GHz+4块GPU+64GB内存+4块硬盘(最大)
机器特点：高性价比，最快预处理和GPU超算架构
数据规模:小规模
2 UltraLABGX490i-高效型
硬件架构：配置10核45GHz+4块GPU+128GB+4块硬盘(最大)
机器特点：较GX360i，CPU核数和内存容量提升
数据规模:中小规模
UltraLAB GX490i基准配置
3 UltraLABGX490M-高性能型
硬件架构：配置6核45GHz/8核43GHz/10核43GHz+最大7块GPU+256GB+20盘位并行存储
机器特点：GPU数量支持到7块，支持海量数据并行存储
数据规模:中大规模
4 UltraLABGX620M-超级型
UltraLAB GX620M
硬件架构：双Xeon可扩展处理器（最大56核，最高38GHz）+最大9块GPU+20盘位并行存
机器特点：目前最强大的CPU+GPU异构计算
数据规模:建模与仿真计算、高性能科学计算、机器/深度学习
UltraLAB GX620M基准配置
UltraLAB深度学习工作站特点：
（1）种类丰富： GX370i(1C4G), GX490i(1C4G) --科研型，GX490M(1C7G)、GX620M(2C9G)--超级型。
（2）性能特点：超高频+多GPU+海量高速存储+静音级=最完美强大DL硬件平台。
（3）应用平台：完美支持TensorFlow，Caffe，Torch，DIGITS，

深度学习是作为机器学习的一个算法而存在，被称为人工神经网络，由于受到算法理论、数据、硬件的制约，多年以来一直都是单层或浅层的网络结构。随着大数据的发展，以及大规模硬件加速设备的出现，特别是GPU的不断提升，使得神经网络重新受到重视。深度学习的发展需要大数据跟计算力的支撑，蓝海大脑专注于人工智能领域，适用于GPU高性能计算、深度学习训练及推理等场景，覆盖服务器、静音工作站等多种产品形态，能够满足客户全场景需求，80%做人工智能科研等领域研究的重点高校已应用蓝海大脑的产品。

CPU：
首先确认您的模型是否需要CPU的计算力
深度学习训练，4GPU主流配置10核CPU，8GPU建议配置12核以上
内存：
显存的总和再加32G基本能满足需求（如4卡3090显存总和为96G，加32G等于128G）
硬盘：
机械盘不能满足大部分模型数据读取，推荐480G SSD做为系统盘，热数据用SSD存储，冷数据用机械盘
GPU：
Geforce系列可用于深度学习，Tesla系列 深度学习 高性能计算，Quadro系列绘图渲染
选择GPU服务器的配置不同、性能不同，价格自然不一样，你可以去官网了解一下

GPUCAT的gpu服务器还不错。主要是以高性能和实时计算以及d性租用为主。
主要在人工智能、图形图像、生命科学、量化金融等行业提供超强的浮点计算能力。为客户提供在云中可扩展的计算资源，一键部署深度学习环境，从容应对高实时、高并发的海量计算场景。

---