文章导读：

       随着AlphaGo横空出世击败韩国顶尖围棋高手李世石，人工智能第一次真正进行大众视野，并在近几年出现星火燎原之势，而深度学习作为人工智能一个最重要的分支，也开始在各行各业应用起来。深度学习的兴起离不开对海量数据的依赖，而处理海量数据，对机算机的性能有很高要求。工欲善其事必先利其器，本文就来详细谈谈如何搭建一台满足日常需要的工作站。

正文：

       最近由于工作的需要，组建了一台适用于深度学习的工作站。工作台的搭建涉及到硬件及软件两部份，每一部份都对整体性能有影响，而且还需要综合考虑实际研发需要和后期的扩展性。下面就来详细说说每一点，希望对大家有帮助。

硬件选购考虑因素：

   一、显卡GPU

       显卡作为整体最优先考虑的硬件，直接决定了整体的预算及性能。如果要扩展4卡，对主板和CPU的选购会有特殊的要求，整体的价格也会贵至少2倍以上。对于一般使用场景，建议单卡入门，最多支持扩展到2卡就行了。

       从上图可以明显看出，GPU上的投资回报比基本呈线性变化，因此可以按照自己的需要量力而行。不过除非是在过去型号的GPU上已有投资，否则强烈建议直接上GTX 1080Ti。

    二、中央处理器CPU

       深度学习主要占用GPU资源，对CPU要求不是很高，再加上只考虑最多扩展双显卡，所以消费级的CPU完全能满足需要，不用考虑企业级或双CPU方案。上一代或最新一代的I7 超频版CPU是个不错的选择，核心多，频率高。

   三、主板

       主板作为整个系统的地基，需要有个全局性的考虑，虽然不像CPU和显卡一般有明显的性能差异，但决定了整个主机的硬件层次及后期的升级。建议直接购买一线品牌，质量、做工及稳定性方面都有保障。再加上只考虑支持双显卡交火，目前市面上大多数的系列都兼容。

   四、存储

       内存方面首选金士顿，占了市场60%以上的份额，口碑和质量都有保持。建议组多通道及选DDR4 2400以上的频率。

       由于深度学习只需要在运行处理大量数据，平时存储时对速度要求并不高?？梢圆扇∑胀ǖ幕涤才蹋?/span>HDD）和固态硬盘（SSD）相结合的方式，兼顾速度和存储要求?；涤才檀游魇拖＝葜刑粢桓鼍托?，建议2T以上容量，容量越大，性价比越高，相比其它硬件，完全是白菜价了。固态硬盘速度比机械硬盘快了几倍，对系统整体性能有很大提升，缺点就是一个字：贵。所以容量方面建议至少要256G，有经济实力的就直接512G吧，一步到位。固态硬盘还有个要考虑的因素是接口规格了，目前主流的有SATA3和M.2两种。M.2速度快，但有些主板识别不到，导致在安装操作系统(Ubuntu)时无法安装在固态硬盘上。

       五、电源及机箱

       电源作为整机的动力输出，首要考虑的因素是能够提供稳定并且够用的功率输出，用料及做工也是必须要考虑的因素。电源行业品牌多如牛毛，而且代工贴牌占据绝大多数比例，在这种情况下优化选择一线品牌：海盗船，长城，安钛克、台达。其次要考虑的购买多大的瓦数，保险起见，我建议购买850W以上的(之后如果扩展多一张显卡也完全够用)。

       机箱就没什么硬性要求了，只要内部空间足够就行了。优先考虑全塔式，可以根据自已的喜好进行选购。

工作站组装及系统安装：

     计算机组装应该是整个搭建过程中最简单的部分了，只要注意安装的顺序及主板连线，大都能顺利安装成果，并且现在大多硬件都做了防呆设计，不可能会出现插反的情况。

第一步将CPU（注意方向）、内存安装到主板上，将主板附送的主机后置面板安装到机箱上。

第二步将散热安装到CPU上，放到机箱中，确定散热器风道方向与散热器的位置，以免放不下。

第三步涂硅脂，重新将确定好位置的风扇安装到CPU上。

第四部将主板固定到机箱上，注意机箱上的铜柱不多也不少，避免主板下面有空余的铜柱而导致主板短路。

第五步将GPU和其他pcie接口设备安装到主板与机箱上。

第六步安装SSD和机械硬盘。

第七步安装电源?？?。

第八步连接主板及各硬件的线，整理好背线。

第九步开机测试能否进入BIOS界面。

第十步安装操作系统Ubuntu LTS 16.04(相对简单，不展开)。

环境搭建及开源框架选择：

       硬件组装完毕，安装好操作系统后，接起来就是深度学习软件环境搭建部份了。其中就涉及到显卡驱动和CUDA、CUDNN的安装，这三块是基础，建议直接登陆Nvidia官网跟着官方文档一步步安装。

       一、显卡驱动安装

       活进入系统桌面后，会发现默认的分辨率只有1024x768，因为系统默认使用了开源显卡驱动，需要手动更新成N卡最新驱动。

       第一步：打开设置，进入软件更新设置(Software&Updates)。

       第二步：选择附加驱动，等待刷新。

       第三步：选择所列出来的可以析的选项，选择应用改变即可

       第四步：在终端中输入nvvidia-smi,可以查询显卡驱动状态。

       二、CUDA与CUDNN安装

       登陆官网下载CUDA安装包，在下载时找相应的官方安装文档仔细阅读，尽可能按照它的步骤一步步走。同时再找几篇好的博客文章作为参考，对常见的问题要知道如何解决，做到胸有成竹。

       第一步：检查自己的电脑环境是否具备安装CUDA的条件。

       第二步：验证自己的Linux版本是否支持CUDA。

       第三步：验证系统是否安装了GCC。

       第四步：通过package manager安装。

       第五步：重启电脑，检查是否安装成功。

       第六步：尝试编译CUDA提供的samples。

       第七步：根据官网教程安装CUDNN。

       三、Docker安装

       深度学习涉及到各个领域的研究，相关的框架不断更新和迭代。如果在同一部主机上安装全部的框架，有可能会出现管理问题及各种包冲突问题，也不利于工作站资源的充分利用。而Docker是一个开源的应用容器引擎，可以方便地打包应用以及依赖包到一个轻量级、可移植的容器中。使用Docker，可以按自己研究的需要，配置不同的Docker镜像。Docker的安装相对简单，这里就不展开详细说明，网上也有许多现成的文章可供参考，建议大家登陆官网查找相应的安装文档即可成功安装。

       四、深度学习镜像选择、

       在实际的研究和开发中，可以根据需求下载不同的镜像。下面列出常用的镜像名称和用途

       五、成果演示

       最后，让我们来看看经过以上各个环节后，如何为深度学习研究提供简单易用的开发环境：

打开终端，连到服务器，运行以下命令启动容器(根据实际情况，参数不同)：

打开浏览器，访问以下地址，能够正常显示，一切正常。

总结：

       经过今天的简单梳理，大家应该对如何搭建深度学习工作站有了初步的了解，重要的是多实践，思考自己实际工作中的需求，搭建出满足研究的工作站。拥有一台性能强劲的工作站，才能让你在深度学习的海洋里如鱼得水，遇到任何的波涛骇浪都能泰然面对。