亿万克异构服务器用的什么平台？最大支持什么规格的卡？

GPU占用没释放。服务器有八个gpu但是还是显示cuda没内存的原因是GPU占用没释放。解决方法：
1、首先打开dos窗口（windows+R键）。
2、其次输入nvidia-smi命令获取GPU信息。
3、然后查看运行的processor。
4、最后关掉正在运行的processor，taskkill-PID进程号-F。

：最大可12个硬盘位,最大支持12个4TB硬盘，就是48TB，12条内存插槽，最大支持192G内存，带P410 512M缓存阵列卡,支持raid全系列，主板支持55 56 CPU，支持热插拔，带远程控制卡，超大容量存储服务器！（支持25寸SSD SAS硬盘）最大亮点 2 ：原机可支持矮挡板，多款游戏显卡。也可改造，支持超大 高挡板 游戏显卡！ 4盘位， 成本低，声音小！ 标配12个内存槽 准系统（500元）保1个月：180G6机器主板+机箱+双散热器+460W单电源+无阵列卡+12个35寸硬盘位（不含硬盘架） 游戏工作室 游戏多开 加独立显卡 推荐下面的几款配置： 游戏工作室配置 都是不带阵列卡，SSD硬盘接主板SATA口，插独立显卡 配置1：16核心 E55062个、8G内存、不带硬盘、带10针供电转接线、不带阵列卡、单电 650元 配置2：16核心 E55302个、16G内存、不带硬盘、带10针供电转接线、不带阵列卡、单电 770元配置3：16核心 X55502个、16G内存、不带硬盘 、带10针供电转接线、不带阵列卡、单电 840元配置4：24核心 E56452个、32G内存、不带硬盘、带10针供电转接线、不带阵列卡、单电 1280元配置5：24核心 X56502个、48G内存、全新 三星 120G SSD硬盘 接主板SATA口、带10针供电转接线、不带阵列卡、单电2100元配置6：24核心 X56602个、64G内存(单条8G)、全新 三星 120G SSD硬盘 接主板SATA口、带10针供电转接线、不带阵列卡、单电 2560元 服务器存储推荐下面配置配置1：8核16线程 准系统+L55202个/8G内存/15K 73G SAS硬盘/HP P410阵列卡512M缓存+电池/460W单电源+35寸硬盘架2个
这个服务器可以装目前任意显卡

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，

好的服务器是没有配置上线的，需要根据自己需要，业务来，但是配置过低，稳定性等方面肯定不好。

一台效劳器，最重要的 CPU，内存，硬盘，显卡根本上可有可无（制图的除外）。

CPU 的选择，最好是专业的效劳器CPU，比方 INTEL 的 至强 系列，AMD 的 皓龙 系列。

内存 的选择，效劳器 的内存 都是 带ECC的，内存奇偶校验，频率比不上家用机，但是，数据不易出错和梗塞，当 大量 数据交流时，效果最为明显。

硬盘 的选择，同样，希捷和西部数据都有专业的效劳器硬盘。

其他的，包括 主板 电源 致使 机箱 都不是普通的东西。全是 当当 的货。当然，价钱也不菲。

3不清楚自己的需求可以问服务器供应商说出自己的业务，多问几家。

---