新闻详情
新闻搜索
nividia GPU 配置。
游戏卡，不能作为GPU运算的。
深度学习服务器，是近几年都比较火的，尤其科学院所，开发，部署，都需要 深度学习服务器。
70-80%，用于
，1-深度学习的模型训练。
2-训练样本的管理，（图片，语单，语料，素材管理及 --需要大内存。（32-64GB）以上。
多GPU卡，起码，内存要比显存要大哈。才能缓冲下这些数据。
硬盘要保管，样本集，等。还要做raid ,要1T以上。
3--训练模型部署。（30-40% 场景）
提供了不同的工具。
telsa 服务器端
geforce 游戏端
qudro 图形工作站
最新工具要GPU算力，大于3.5
新手，可以选择，geforce 来做简单的深度学习。
多卡，根据功率总和。要2000W以上。单卡的话，低点也没事。
冗余电源，确保业务不中断。
tensor RT :针对 推理，进行优化，加速 ，包括网络模型裁剪。内核调用。只需调用一个engien即可。
cudnn,一个集成库，接近于训练的内容。
cublas.更低层，安装cudaa,就已安装好了。
deepstream 2.0 一整套方案，关于视频，不用关注细节。它是一个框架。部署一次就OK，集成好了很多工具，留给你的就是想像能力。
框架，无论是training 端，还是influend端，
nvidia 开源的，就是digits . 所有开源框架，都适应于GPU，很多是免费用的。
digits,是一个dashbold ,一个管理套件。管理组件。通过插件，支持一些扩展
训练，时，实时性，速度不要求快。 但我们部署时，推理时，要快。
digits 管理工具。
cuda的安装
用deb方式安装，相当于缺省模式模式安装，简单。
20-30%，问题，关于环境变量，没有加载对。
CUdnn,是一个加速工具，可以省一半的时间，很快。
新手。dbn的文件上，注意版 本号的匹配。lib,dll.doc文件要配。
记得安装库，否则paphon会缺东西。 sample 有一些实例，案例。比较全。不用读教材 ，直接讯开发者指南，包含了所有细节。
tesorflow ,包含了tensort. 所有功能了哈。
coffe, tesonflow ,tensorRT 是一个level的东西。
