如何在不超出预算的情况下，选择合适数量的GPU是一个重要的问题

选择GPU的关键思路

如果要建立#人工智能#工作站，那必不可以少的问题就是用多少个GPU来实现深度学习工作站，是一个还是很多呢？

选择人工智能GPU有三个要的考虑方向：高性能、内存、降温 效果。这个是必不可少的。至少原因为什么要考虑这个，这三个指标也是选择硬件时经常用的指标。

目标提供GPU的主要有两家公司:NVIDIA和#AMD#。下边我们来聊一下如何做到最优的一个选择。

所有GPU都可以进行深度学习吗？

当您的人工智能达到#深度学习#时，您的人工智能神经网络模型只有两种选择一个是CPU，另一个是GPU。CPU适合简单的学习处理一些简单的事情。而GPU相对来说比较适合复杂的，性能也要比CPU的要好。

GPU可以进行多进程的处理，而CPU只能和线次处理一个 进程。如果再加上您的程序是多线程的话，效果将完全是不一样的。从而深度学习GPU是是比CPU要好的。

NVIDIA 是深度学习GPU的市场的老大，特别是在深度学习，神经网络方应用方面有着出色的表现。根据应用市场划分分为了常规GPU、数据中心GPU、和专业的服务器工作站 三个级别

• 常规GPU：这种级别的通常肯定便宜，不做做为大规模深度学习的硬件，但可以做为开发或是一些程序测试级别的硬件。如果达到数十亿的数据量时，这种级别的性能完全达不到
• 数据中心GPU：已经达到了深度学习的行业硬件标准、同时也是企业级别的，虽然稍有贵一点，但作这块工作的，相差一点成本问题并不大。这个级别也是使用最多的
• 专业服务站：虽然在数据中心GPU已经能达到企业的要求，但专来服务站在即插即用，多GPU工作协调等多方面是其它两个级别无法进行比较的。这个属于一个硬件管理平台。

一个人工智能GPU能顶住深度学习的工作量？

经过前边两个话题的讨论，我们要谈最重要的话题了，就是到底多少个够我们使用。深度学习时神经网络的是最消耗性能的。

神经网络需要根据进来的数据与现在有海量的数据进行核算、从而达到学习模型能进行预测的目标。这个也是我们为什么要深度学习的目标，如果量个AI人工智能，无法进行深度学习，那这个项目是失败的。

由于前期准备的神经网络数据量是庞大的，我们需要同时多个、高效地进行学习 。如果信息来源、预测的信息越多对GPU的性能要求越高。我们这个时候会根据预期添加更多的GPU性件来达到目标。在程序员中有一句话：性能不够、硬件凑。这个也是这个原则。

如果想装上更多的GPU，那主板做为硬件平台是至关重要的。GPU大部分是PCIE接口的，那么就要要求你的主板有着更多的接口。

那种GPU是最适合我们呢？

由于项目的量级我无法确定，我可以说一下他们擅长做什么。
NVIDIA 是GPU中最好的，这个是肯定的。但AMD在图形方面也取得了不错的技术成果。我们以前去网吧时，大部分是AMD的，主要是因为图象处理能力比较好的。