深度學習主要看gpu和記憶體。跟cpu沒太大關係。但是，雖然說cpu佔的比重不算很大，但也要跟平臺搭配才行。先說gpu，完後再說cpu搭配。

深度學習算是科學運算之一了，跟遊戲跟挖礦不沾邊。gpu效能主要看浮點運算能力來決定，精度（單雙精度）浮點運算尤為重要！

gpu最好是專業卡，但是價格以及深度學習這行業硬體更新換代快，學習入門的話那還是算了，划不來。除此外那就只能選用遊戲卡了。1070ti已經夠入門了。同階還有amd的 vega 56。

先看看1070ti。

GTX 1070 Ti是英偉達拿出來跟amd vega56槓的。其預設核心頻率為1607MHz，跟GTX 1080一樣，Boost頻率為1683MHz又跟GTX 1070一樣，老黃刀法果然如神讓人歎為觀止。GTX 1070 Ti為8.1 TFLOPS的高單精度浮點運算能力，但是比RX Vega 56的10.5T還是有差距。

再看看AMD VEGA（織女星）56。

14nm FinFET工藝Vega 10構架，搭載了HBM2視訊記憶體，加入了HBCC(高頻寬快取控制器)等，帶來更極致的表現。RX Vega 56包括3584個流處理器，搭載8GB 2048bit HMB2視訊記憶體，頻率1600MHz，總頻寬410GB/s。效能方面，AMD RX Vega 56峰值浮點效能單精度10.5TFlops、半精度21TFlops。

理論資料上vega56勝一籌，不過既然老黃拿1070ti槓56報1070被打壓的仇，那麼實際應用應該也差不多。兩者價格也差不多，不過現在好像vega56只有公版可選，另外功耗較1070 ti高。

記憶體越大越好，上個ddr4 2400 8g 四根共32G。

最後處理器，基本上六七代i5就行。不過為了搭配整個平臺，那還是六七代i7起步（i7 6700 i7 7700以上）。amd平臺ryzen5 1600以上即可（可以組3A平臺，價效比很高）。

先看下GTX 1070 Ti的引數：（隨便從某顯示卡廠商官網上找的圖）

首先看視訊記憶體，8GB對於很多深度學習應用來說足夠了。當然，某些特定應用比較吃視訊記憶體，比如視覺（vision）領域的部分應用，視訊記憶體是多多益善，那可能需要考慮11GB或者12GB視訊記憶體的顯示卡。

然後，看頻寬。深度學習由多層的神經網路組成，這些神經網路包含很多權重和偏置。而這些權重和偏置簡單來說，就是許多巨大的浮點矩陣。這就意味著，深度學習需要很大的記憶體頻寬訪問這些網路。我們看到，一般的顯示卡廠商面向的是普通消費者，所以上面的引數表沒有列頻寬資料。不過引數表裡列了視訊記憶體種類（GDDR5）、位寬和頻率，因此可以大概計算出頻寬，公式是頻率x等效係數（GDDR5是4）x位寬/8，所以頻寬是256GB/s（好吧，我說謊了，其實我才懶得算，是直接到網上搜的）。

最後，對於深度學習很重要的，就是和cuDNN的相容性，因為基本上所有深度學習庫都用cuDNN，當然，像1070 Ti這個級別的顯示卡，基本上不用擔心和cuDNN的相容性問題。

以上就是挑選深度學習顯示卡主要考慮的因素。

也許你會嫌上面囉嗦，說這麼多幹嘛，直接說1070 Ti可用不就行了？但是俗話說：“授人以魚，不如授人以漁。”年年都有新顯示卡，把握以上因素，以後你可以用同樣的方法判斷新出的顯示卡適不適合深度學習。

實際上，不用等以後，你現在就可以用上面的方法思考一個問題：GTX 1070 Ti用來進行深度學習沒問題，但是，在這個價位，它是不是最好的選擇？或者說，要不要加幾百塊錢上GTX 1080，或者買GTX 1070省幾百塊錢？

我想，基於上面提到的因素，不難得出答案：

cuDNN相容性：沒什麼好說的，這三張卡都支援。

頻寬：GTX 1080是320 GB/s，而1070和1070 Ti同樣是256GB/s。

視訊記憶體：都是8GB。

1080Ti/1080/1070 引數對比（取自Nvidia官網）

實際上，1070 Ti是Nvidia為了和RX VEGA系列競爭推出的產品，補了1080和1070之間的空當。吃雞什麼的，買個1070 Ti可能不錯，但深度學習，不建議購買。無論是加幾百塊錢預算上1080，還是乾脆買1070省幾百塊錢，都是比購買1070 Ti更好的選擇。

另外，上圖中還包括了1080 Ti的引數。我們可以看到，1080 Ti的視訊記憶體更大（11 GB），頻寬更大（484 GB/s）。所以，在深度學習方面，1080 Ti比1080優勢要大不少，和1070 Ti/1070的情況完全不同。當然，1080 Ti的價格也要貴很多。

至於搭配什麼CPU才能發揮性能？這個問題你不用擔心。除非你買很奇葩的非主流CPU，否則隨便配個CPU都不會成為效能瓶頸。

深度學習的主要運算在GPU上完成，CPU完成的工作主要是programming和mini-batch。

一般計算需要比較強力的CPU，因為

比較強力的CPU有更高的頻率和更多的核心；比較強力的CPU有較大的快取，而快取的速度和RAM是天壤之別。

如前所述，programming和mini-batch，用不上多高的頻率，也用不著多個核心。

至於快取，對於programming而言，主要是變數和函式呼叫。這些完全可以放進L1快取。而mini-batch，一般而言，快取也放得下。比如MNIST的mini-batch大概0.4M，CIFAR大概1.5M，放快取沒問題。至於像ImageNet這種規模的資料，有85M之多，那就肯定要靠RAM，即使是強力的CPU，快取也放不下。

CPU還有一個指標是訪問記憶體的效率，包括記憶體頻率和通道數。但是這兩個引數對深度學習基本上沒有什麼影響。

如前說述，資料或者足夠小，可以放進L1快取，或者足夠大，只能依靠RAM。

對於能放進L1快取的資料，CPU可以直接訪問L1快取，無需訪問記憶體，因此和CPU的記憶體頻率和通道數無關。

至於依靠RAM存放的資料，基本上是資料量較大的mini-batch。這些資料量較大的mini-batch，會從RAM流入CPU，然後再由CPU傳入GPU的視訊記憶體。這其中，RAM到CPU是效能瓶頸。然而，一般而言，RAM的頻率比CPU的記憶體頻率低，因此買強力CPU並不能改善這裡的效能。

還有一種做法就是繞過CPU，GPU和RAM直接透過DMA通訊。但是這種做法比經過CPU中轉還要慢。

事實上，CUDA的非同步功能是非常完善的。一旦GPU接受到第一份待處理的mini-batch，就會開始處理，在處理的過程中，會收到後面的mini-batch，一旦第一份mini-batch處理完畢，就會緊接著處理下一份mini-batch。這意味著，只有第一份mini-batch的傳輸會阻塞GPU的運算，後面所有的mini-batch傳得慢都不會影響進度。

綜上，CPU你可以隨便買，隨便買一個就能充分發揮顯示卡在深度學習上的效能。（呃，隨便買的意思是主流桌面CPU，大概相當於普通i5之類的，如果有思路清奇的去買個低壓U，可別來找我算賬哦~）

順便說下，CPU隨便買，其他配件倒是要留意一下：

考慮到資料交換和作業系統、軟體本身的開銷，記憶體不能太小，至少別低於視訊記憶體。

主機板的話，注意相容性就可以。最好買PCIe 3.0的，不過萬一買了PCIe 2.0的，也不要緊，一般也不影響（據說會有0%到5%的效能損失）。

如果買PCIe SSD的話（如果有大批次資料，需要配SSD，即使沒有這樣的資料，從開發效率考慮，也建議SSD），要留意主機板的PCIe介面的配置，小心SSD擠佔顯示卡頻寬（不過，單顯示卡不太會碰到這個問題）。

深度學習網路訓練需要跑很久，機器常常24小時執行。因此長期來看能效低的電源會多花不少電費。所以一般來說，推薦透過80plus白金牌認證的電源。除了能效高以外，一般來說白金電源也比較穩定。常常24小時高負荷執行的機器對電源的穩定性要求較高。白金電源可以降低因為電源不靠譜燒掉顯示卡的風險。

最後，千萬不要忽視散熱。深度學習要求GPU長時間執行演算法，GPU的溫度也會隨著時間的流逝而升高。如果散熱不良，GPU的溫度會很快升到80攝氏度，觸發GPU的保護機制，自動降頻，因此拖慢進度。另外，散熱也會影響GPU的壽命。散熱不良會加速GPU老化。如果有避免干擾同事或者避免打擾同住的人的需求，建議上水冷。

先放結論：

研究用，可以了。工業用，不夠。

補充建議：

如果不差錢，買1080Ti，幾乎可以達到頂級顯示卡的效果，但是價效比很高。

詳細：

首先和GTX 1070的關鍵引數差不多，價格也貴了小几百軟妹幣，是一塊價效比比較高的顯示卡。一般專門做深度學習的實驗室用的都是GTX Titan X/Xp之類的頂級顯示卡，我們可以看下主流顯示卡速度上的差距（如下圖），1070差不多是頂級顯示卡的一半。

（結果來自資料科學家Tim Dettmers的部落格）

科普下，遊戲卡和基於gpu技術的計算卡有本質區別。

深度學習用的是gpu技術，很多人以為是遊戲卡。遊戲卡主要是畫面渲染，單精度計算很快雙精度很低。

所以這些遊戲卡不能用來科學計算的。用nvidia專業運算卡，採用cuda技術，比如K10。