生产力机器选配

根据需求进行选配，选配方向，主要为个人使用，用途主要为生产力，AI、深度学习、AE、PR、PS、达芬奇等，不玩游戏，核心在于AI。

原文： A Full Hardware Guide to Deep Learning - Tim Dettmers  以这个为参考选配硬件

【译文】 A Full Hardware Guide to Deep Learning - Tim Dettmers 

GPU 显卡

深度学习最重要的核心，能更好就更好，考虑性价比的话，下图推荐路线；对于4090的选配，不同厂商质量不一致，但是所有的散热都是溢出的，无论是旗舰还是丐版，性能影响都不大。然后选择了一个相对比较便宜的 4090 显卡，希望不要踩雷吧。

GPU推荐图

CPU 

1少于4个 GPU 时， PCIE 通道与深度学习性能基本无关 

CPU 一般只在两个方面，第一是启动 GPU 函数调用，第二个是执行 CPU 函数

CPU 最主要的功能应该是数据预处理与读取数据用，这只在边训练边预处理的方法中比较有用（建议每个 GPU 对应CPU4线程，2内核）

CPU 不用太好，但频率高的 CPU 确实能够提升一点性能以及一些使用体验。

所以根本不需要太好，95%的性能浪费

RAM 内存

内存时钟频率不影响任何深度学习性能

内存大小只影响 GPU 代码执行的舒适度，尽量与显卡匹配，比如显存24G内存就买大于24G

如果经常使用大型数据集，则更多 RAM 会很有用。

硬盘与固态硬盘

用于数据的硬盘驱动器（>=3TB)

使用 NVMeSSD 舒适地预处理小型数据集。（大概意思就是要训练的数据放在 SSD 上，平时的数据放在大硬盘上）

写代码的要异步加载小批量数据以避免增加时间。电源将 GPU + CPU 的瓦特相加。然后将所需瓦数的总数乘以110%。

冷却

冷却很重要，温度超标之后 GPU 或者 CPU 都会通过降低性能来控制温度，

使用空气冷却（看他的意思是如果是单卡，放着冷却就足够了）

如果您购买多个 GPU ，请购买带有"鼓风机式"风扇的 GPU 

结论

基于以上，

CPU ：不用太好最低要求：核心数大于 GPU 数量*2，线程数量大于 GPU 数量*4，可直接保留现有CPU，后期有需要在升级 CPU

GPU ：直接上4090 OC

内存：尽量大，一定要比 GPU 的显存大（便宜），4090显存是24G，干脆直接上了64 

固态：比内存稍贵一点，用来放训练时的数据即可，目前固态是500G，先将就用，后期有大批量数据的时候，在进行升级。

主板：目前主板不能使用4090显卡，所以更换主板，同步也需要更新内存

电源：目前电源是850w，所以需要升级

以下为最终配置以及入手价格