推荐一款适合深度学习AI场景应用性能较好的服务器

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理等多个领域都取得了卓越的成果，可见其重要性

熟悉深度学习的人都知道，深度学习是需要训练的，所谓的训练就是在成千上万个变量中寻找最佳值的计算。这需要通过不断的尝试识别，而最终获得的数值并非是人工确定的数字，而是一种常态的公式。通过这种像素级的学习，不断总结规律，计算机就可以实现像人一样思考。因而，更擅长并行计算和高带宽的GPU，则成了大家关注的重点。

很多人认为深度学习GPU服务器配置跟普通服务器有些不一样，就像很多人认为做设计的机器一定很贵一样。其实只要显卡或者CPU满足深度学习的应用程序就可以进行深度学习。由于现在CPU的核心数量和架构相对于深度学习来说效率会比GPU低很多，所以大部分深度学习的服务器都是通过高端显卡来运算的。

这里谈谈关于深度学习GPU服务器如何选择，深度学习服务器的一些选购原则和建议：

1、电源：品质有保障，功率要足够，有30~40%冗余

稳定、稳定、还是稳定。一个好的电源能够保证主机再长时间运行不宕机和重启。可以想象一下，计算过程中突然重启，那么又要重来，除了降低效率，还影响心情。有些电源低负载使用的时候可能不出问题，一旦高负载运行的时候就容易出问题。选择电源的时候一定要选择功率有冗余品质过硬，不要功率刚刚好超出一点。

2、显卡：目前主流RTX3090,最新RTX4090也将上市

显卡在深度学习中起到很重要的作用，也是预算的一大头。预算有限，可以选择RTX3080 /RTX3090/RTX4090(上月刚发布，本月12日上市)。预算充足，可以选择专业深度学习卡Titan RTX/Tesla V100 /A6000/A100/H100（处于断供中）等等。

3、CPU：两家独大，在这要讲的是PC级和服务器级别处理器的定位

Intel的处理器至强Xeon、酷睿Core、赛扬Celeron、奔腾Pentium和凌动Atom5个系列，而至强是用于服务器端，目前市场上最常见的是酷睿。当下是第三代Xeon Scalable系列处理器，分为Platinum白金、Gold金牌、 Silver 银牌。

AMD处理器分为锐龙Ryzen、锐龙Ryzen Pro、锐龙线程撕裂者Ryzen Threadripper、霄龙EPYC，其中霄龙是服务器端的CPU，最常见的是锐龙。当下是第三代 EPYC（霄龙）处理器 ，AMD 第三代 EPYC 7003 系列最高 64核。

选择单路还是双路也是看软件，纯粹的使用GPU运算，其实CPU没有多大负载。考虑到更多的用途，当然CPU不能太差。主流的高性能多核多线程CPU即可。

4、内存：单根16G/32G/64G 可选，服务器级别内存有ECC功能，PC级内存没有，非常重要

内存32G起步，内存都是可以扩展的，所以够用就好，不够以后可以再加，买多了是浪费。

5、硬盘：固态硬盘和机械硬盘，通常系统盘追求速度用固态硬盘，数据盘强调存储量用机械盘

固态选择大品牌企业级，Nvme或者SATA协议区别不大，杂牌固态就不要考虑了，用着用着突然掉盘就不好了。

6、机箱平台：服务器级别建议选择超微主板平台，稳定性、可靠性是第一要求

预留足够的空间方便升级，比如现在使用单显卡，未来可能要加显卡等等；结构要合理，合理的空间更利于空气流动。最好是加几个散热效果好的机箱风扇辅助散热。温度也是导致不稳定的一个因素。

7、软硬件支持/解决方案：要有

应用方向：深度学习、量化计算、分子动力学、生物信息学、雷达信号处理、地震数据处理、光学自适应、转码解码、医学成像、图像处理、密码破解、数值分析、计算流体力学、计算机辅助设计等多个科研领域。

软件： Caffe, TensorFlow, Abinit, Amber, Gromacs, Lammps, NAMD, VMD, Materials Studio, Wien2K, Gaussian, Vasp, CFX, OpenFOAM, Abaqus, Ansys, LS-DYNA, Maple, Matlab, Blast, FFTW, Nastran等软件的安装、调试、优化、培训、维护等技术支持和服务。

————————————————

版权声明：本文为CSDN博主「Ai17316391579」的原创文章，遵循CC 40 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：>

GPU服务器的主要应用场景有海量计算处理，超强的计算功能可应用与海量数据处理方面的运算，如搜索、大数据推荐、智能输入法等，可能原本需要几天才能完成的数据量，用GPU服务器在几个小时就完成了；GPU服务器还可以作为深度学习训练平台，可直接加速计算服务，亦可直接与外界连接通信等等。思腾合力在GPU服务器的型号方面还是有很多选择的，有自主研发的品牌也有英伟达的，在选择方面还是比较多的，应用的场景也十分广泛。

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。

GPU服务器和普通服务器的区别在于GPU服务器具有GPU（图形处理器）加速，而普通服务器通常只有CPU（中央处理器）。以下是几个区分GPU服务器和普通服务器的因素：

硬件配置：GPU服务器通常具有多个高端GPU卡，而普通服务器则通常只有一个或几个CPU。此外，GPU服务器通常具有更高的内存容量和更快的存储设备，以便处理和存储大量数据。

应用场景：GPU服务器通常用于计算密集型的任务，例如深度学习、机器学习、数据挖掘和科学计算等需要大量矩阵运算和并行计算的应用。而普通服务器则更适用于处理数据传输、存储和其他一般性任务。

性能：由于GPU服务器具有GPU加速，因此其性能通常比普通服务器更高，尤其是在处理大量数据和进行大规模计算时。GPU服务器可以利用GPU的并行计算能力，加速许多复杂的计算任务。

价格：由于GPU服务器的配置和性能比普通服务器更高，因此其价格也通常更高。GPU服务器可能需要更多的电力和散热，因此它们也可能更昂贵。因此，在购买GPU服务器之前，需要考虑你的预算和实际需求。

总的来说，GPU服务器和普通服务器有很多不同之处，主要是在硬件配置、应用场景、性能和价格等方面。你需要根据自己的需求和预算，选择最适合的服务器类型。

蓝海大脑时空数据一体机研究人员表示：现有的GPU虚拟化技术是通过显存独享和算力共享的方式来实现，如果是希望高性能计算液冷GPU服务器显存核算率为共享资源分配单位，可能需要再从架构方面能支持才可以，现有的架构可能暂时还不能支持这种方式。

Gpu服务器自带深度学习框架，GPU一个比较重要的优势就是他的内存结构，首先是共享内存，每个流处理器集群末端设有共享内存，提供深度学习框架。服务器性能主要决定于GPU的浮点运算能力，对深度学习任务来说，单精浮点运算以及更低的半精浮点运算性能则更为重要。

GPU使显卡减少了对CPU的依赖，并进行部分原本CPU的工作，尤其是在3D图形处理时GPU所采用的核心技术有硬件T&L、立方环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、双重纹理四像素256位渲染引擎等，而硬件T&L技术可以说是GPU的标志。

制造工艺

集成电路发展到纳米级工艺 ，不断逼近物理极限 ，出现了所谓红墙问题，一是线的延迟比门的延迟越来越重要。长线不仅有传输延迟问题，而且还有能耗问题。二是特征尺寸已小到使芯片制造缺陷不可避免，要从缺陷容忍、故障容忍与差错容忍等三个方面研究容错与避错技术。

以上内容参考  百度百科-gpu

做深度学习的话，我还是可以有立场说些的。因为我们实验室当时就遇到了这些问题，选择深度学习GPU显卡时建议选择专门做液冷的A100或者RTX3090、RTXA6000、RTXA40等卡，蓝海大脑的液冷GPU服务器具有高性能，高密度⌄扩展性强等特点。液冷GPU服务器产品支持1~20块 GPU卡，还可以选择，毕竟能可以选择也是很好的,芯片主要采用龙芯、飞腾、申威、海光、英伟达、Intel、AMD。完全定制啊，敲开心。适用于深度学习训练及推理、生命科学、医药研发、虚拟仿真等场景，覆盖服务器、静音工作站、数据中心等多种产品形态，量身定制，满足客户全场景需求。技术人员给的建议都非常受用。

---