<br> <p>8.显示器根据您自己的要求进行配置。我推荐144hz的屏幕，无论是游戏还是办公都非常流畅。</p><p>9.对光驱的要求不多，主要看你买的主板的接口。</p><p>10.这些东西在JD.COM会打折。</p><p>11.我说不清楚区别，因为我在网上找的图都不清楚。显卡依赖于它的电源端口，同样的cpu电源也是如此。{买的时候问问自己需要几个P }然后是机箱的开关插座。</p><p>12.因为图片不太清晰，不确定朋友们能不能找到机箱线的连接。注意: 【千万不要接机箱开关线的正负极】这些做完了，再把显示器接键盘，鼠标，耳机，显示器和主机之间的线接显卡，不要接主板。</p><p>13.最后加载系统(当然麻烦的朋友可以直接随系统买固态)，然后在下一个驱动向导里安装驱动。新买的硬盘需要分盘，工具可以网上下载。</p><p>14.由于这是第一次分享很多地方，请见谅。如果有大老板发现我说的有问题，请指出来，我会改正的。谢谢你。最后，祝你身体健康，万事如意。</p><p>各位朋友好，小爱为你解答。一万块钱配置一台 computer，很多人不知道怎么配置一台电脑，现在我们下去吧！</p><p>首先，我们需要知道组装一台电脑需要什么。主板、cpu、显卡、内存条、硬盘、风扇、机箱、显卡、电源盒、光驱、显示器。这些东西可以在网上买到。当然，我推荐JD.COM。</p><p>2.主板和cpu必须兼容inter的cpu，AMD的cpu必须兼容AMD。如果实在不懂，可以直接买配套的。</p><p>3.内存条，你要根据你主板是什么样的插座来配置。现在常见的是DDR4插座。然后你需要知道你的主板支持多少内存规格。{购买时也可以详细询问卖家这些搭配要求}</p><p>4.显卡可以根据自己的办公需求或者游戏需求来配置。</p><p>5、硬盘可分为固态和机械式。固态比机械读取速度快，一般用于加载系统，以及要求高流畅度的软件和游戏。我的配置是1t机械250g固态。</p><p>6.电源箱是根据需要多少功率来配置的。</p><p>7.风扇分为机箱风扇和cpu风扇，也是根据自己的要求配置的(一般卖cpu会赠送一个cpu风扇)。</p><p>牛皮克拉斯的大致内容到此结束，希望对家长有所帮助。</p> <div><br></div><h1 style="font-size: 38px;color: #4d4f53;">深度学习看显卡什么参数 深度学习显卡什么参数最重要</h1><br> <ol><li><strong>位宽 : </strong>一个时钟周期内，显示芯片从显存中读取数据量，单位bit；</li><li><strong>显存频率：</strong>表示1s内显存和显示芯片之间数据传输次数， 单位MHZ；</li><li><strong>显存带宽：</strong>表示1s内显存与显卡芯片之间的的数据传输量，计算公式：显存带宽=显存频率*显存位宽/8， 单位G/S；</li><li><strong>显存容量：</strong>显存可缓冲存储数据的容量，单位G</li></ol> <p style="text-indent:50px;">以GTX 1080TI为例，其位宽是352?bit， 显存频率是1100MHZ，显存带宽= 1100MHZ*352bit/8 = 484G。显存带宽存在瓶颈时，显卡芯片没有足够的数据进行计算，会引起高分辨率下画面不流畅，或帧数不稳定的现象。</p> <p style="text-indent:50px;">内存包括SDRAM，DDR、DDR2、DDR3， DDR4等类型，SDRAM是Synchronous Dynamic Random?Access?Memory的缩写，意思是同步动态存取器。DDR、DDR2和DDR3是SDRAM的改进类型，在预读取字节数不同，属于SDRAM系列。</p> <p style="text-indent:50px;">Synchronous说明SDRAM内存的频率和CPU同步的，这样内存控制器可以精确的知道内存中数据就绪时的时钟周期，这样CPU在访问内存时，就不需要额外的等待时间。</p> <p style="text-indent:50px;">DDR采用时钟脉冲上升、下降沿各传一次数据，1个时钟信号读取2bit（上升沿和下降沿各度1bit），传输2倍于SDRAM的数据，所以又称为双倍速率SDRAM。它的倍增系数就是2 = 2 * 1。</p> <p style="text-indent:50px;">DDR2仍然采用时钟脉冲上升、下降支各传一次数据的技术，但是一次时钟信号预读4bit数据(上升沿和下降沿各度2bit)，是DDR一次预读2倍，因此，它的倍增系数是4 = 2*2。</p> <p style="text-indent:50px;">DDR3作为DDR2的升级版，最重要的改变是一次预读8bit数据((上升沿和下降沿各度4bit)，是DDR2的2倍，DDR的4倍，所以，它的倍增系数是8 = 2*4。</p> <p style="text-indent:50px;">DDR4，较为复杂，没有采用简单翻倍预读数据提高数据吞吐量。DDR4采用了预读8bit的Bank Group分组，可以采用两个或四个Bank Group分组。每个分组都能独立进行读写操作，如果采用了两个独立Bank Group预读取变成16bit，他的倍增系数变成16 = 2 * 4 * 2;</p> <p style="text-indent:50px;">下面是内存的具体指标：</p> <ol><li>内存位宽：SDRAM、DDR、DDR2、DDR3的总线位宽为64位，RDRAM的位宽为16位。</li><li>当采用双通道技术，可以获得64X2=128bit的位宽。如果采用四通道技术，可以达到256bit位宽。</li><li>内存核心物理频率：指内存颗粒运行的物理频率，从早期的100MHz到现在的260MHz。?；</li><li>倍增系数：内存</li><li>标称频率：内存名称上的数字，如DDR 400、DDR2 800、DDR3 1600和DDR4 3200的物理运行频率都是200MHz，物理频率必须乘上倍增系数才能获得相应的标称频率。标称频率是以老旧的SDRAM内存为基准，换算得出利于商业运作和产品标识的频率。</li><li>内存带宽：?带宽=内存核心物理频率 × 内存位宽 × 倍增系数? = 内存标称频率 * 内存带宽</li><li>I/O 总线频率： 内存核心的物理频率 x? 上升沿或下降沿单次预读位数? x? BankGroup数量（DD1-3理解为1）</li></ol> <p style="text-indent:0;">下面计算【【微信】】的内存在默认频率下的带宽，1066是指有效数据传输频率，除以8才是核心频率，位宽为64bit：</p> <ul><li>? ? 内存带宽= 物理内存频率 x 位宽 x 倍增系数? = (1066/8)×64×8=68224Mbit = 8.328125GB</li><li>? ? 内存带宽= 标称频率 x 位宽? = 1066×64=68224Mbit = 8.328125GB</li></ul> <p>? ? 用两条【【微信】】组成双通道，然后超频到1200，其内存带宽：</p> <ul><li>超频到后物理频率为：? ? 1200/8=150MHz</li><li>双通道的位宽：28bit：</li><li>带宽=1200×128=153600Mbit=18.75GB</li></ul> <p style="text-indent:0px;">下面列出不同类型内存的物理指标数据：</p> <p style="text-indent:50px;">前面讲了内存和显存的指标，对计算机硬件有了大致的了解，这里开始说明怎么选择深度学习用的显卡：</p> <p><strong>1、显存带宽?</strong></p> <p style="text-indent:50px;">GPU较CPU主频低，内存访问延迟大，但是CPU的位宽是64bit，而GPU的位宽要大的多(GTX 1080Ti的位宽是352bit)。GPU是通过牺牲内存访问时间（延迟）而优化了内存带宽，?而 CPU 的设计恰恰相反。如果只由少量数据运算，例如几个数相乘（3*6*9），CPU 的速度很快，但是对于像矩阵相乘（A*B*C）这样占用大量内存的操作，GPU就比CPU快多了。</p> <p style="text-indent:50px;">深度学习需要处理大量的图像、音频，这里就涉及到大型矩阵的乘法计算，所以评价显卡带宽是必须首要考虑的。</p> <p>GPU计算速度比CPU快的原因之一就是内存带宽。</p> <p>在同一个架构内内存带宽是可以进行比较的。例如Pascal显卡GTX 1080的内存带宽是320GB/s，GTX 1070的内存带宽是256GB/S，快了25%。但是不同的架构使用了不同的给定内存带宽是没法直接比较的，例如Pacal架构和Maxwel架构。但是只看中的带宽可对GPU的大致速度有一个很好的全局了解，可以在下面维基百科页面中查看每个显卡的内存带宽数据</p> <p style="text-indent:50px;">https://en.wikipedia.org/wiki/List_of_N【【微信】】ssing_units</p> <p><strong>2、GPU处理器的计算能力</strong></p> <p style="text-indent:50px;">GPU的计算能力可以使用<span style="color:#4f4f4f;">FLOPS表示。FLOPS</span><span style="color:#4f4f4f;">是</span><span style="color:#4f4f4f;">floating-point operations per second</span><span style="color:#4f4f4f;">的缩写</span><span style="color:#4f4f4f;">,</span><span style="color:#4f4f4f;">表示</span><span style="color:#4f4f4f;">“</span><span style="color:#4f4f4f;">每秒所执行的</span>浮点<span style="color:#4f4f4f;">运算次数<span style="color:#4f4f4f;">”</span><span style="color:#4f4f4f;">。被用来估算处理的计算能力。</span></span></p> <p style="text-indent:50px;"><span style="color:#4f4f4f;">1 MFLOPS = </span><span style="color:#4f4f4f;">每秒可以执行一百万</span><span style="color:#4f4f4f;">(10^6)</span><span style="color:#4f4f4f;">次浮点运算</span></p> <p style="text-indent:50px;"><span style="color:#4f4f4f;">1 【【微信】】 = </span><span style="color:#4f4f4f;">每秒可以执行十亿</span><span style="color:#4f4f4f;">(10^9)</span><span style="color:#4f4f4f;">次浮点运算</span></p> <p style="text-indent:50px;"><span style="color:#4f4f4f;">1 TFLOPS = </span><span style="color:#4f4f4f;">每秒可以执行一万亿</span><span style="color:#4f4f4f;">(10^12)</span><span style="color:#4f4f4f;">次浮点运算</span></p> <p style="margin-left:0cm;"><span style="color:#4f4f4f;">FLOPS计算公式是：</span></p> <p style="text-indent:50px;"><span style="color:#4f4f4f;">FLOPS＝? ?处理器个数? ?×? ?</span><span style="color:#4f4f4f;">处理器主频? </span><span style="color:#4f4f4f;">×? ? ? 单个处理器一个时钟周期进行</span><span style="color:#4f4f4f;">浮点运算次数</span></p> <p style="margin-left:0cm;"><span style="color:#333333;">N【【微信】】</span><span style="color:#333333;">的流处理器单元两个</span><span style="color:#333333;">ALU</span><span style="color:#333333;">单元，每个时钟周期进行两次浮点预算。</span></p> <p style="text-indent:50px;"><span style="color:#4f4f4f;">显卡FLOPS =</span><span style="color:#333333;">流处理器数量? ?x? </span><span style="color:#333333;">流处理器工作频率? ?</span><span style="color:#333333;">x? ?</span><span style="color:#333333;">2</span></p> <p style="text-indent:0;">以Kepler k40和<span style="color:#444444;">Fermi <span style="color:#444444;">M2090为例计算FLOP：</span></span></p> <p style="text-indent:50px;"><span style="color:#444444;">Kepler k40 GPU:? ? ? 2880*0.745*2=4290Gflops? ? ? ?流处理单元(SP)的工作</span><span style="color:#444444;">频率和核心频率相同</span></p> <p style="text-indent:50px;"><span style="color:#444444;">Fermi <span style="color:#444444;">M2090 GPU:? ?</span></span><span style="color:#444444;">512*0.650*2*2=1330Gflops? ? ?流处理单元(SP)的工作</span><span style="color:#444444;">频率需</span><span style="color:#444444;">是核心频率的</span><span style="color:#444444;">2</span><span style="color:#444444;">倍，额外需要x2</span></p> <p style="text-indent:0;">三、是否兼容cuDNN</p> <p>深度学习使用cuDNN做卷积计算，所以兼容cuDNN的显卡计算速度回更快。Kepler系列GPU通常不支持cuDNN，通常会很慢。这意味着应该选择GTX 900或GTX 1000系列。</p> <p style="text-indent:50px;">网上有个一个简单的GPU等价表</p> <p>我汇总一下主流的GPU显卡的参数做：</p> <table style="margin-left:6.75pt;"><tbody><tr><td style="vertical-align:top;width:170px;"> <p style="margin-left:0cm;">?</p> </td><td colspan="6" style="vertical-align:top;width:501px;"> <p style="margin-left:0cm;">? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 游戏显卡</p> </td><td style="vertical-align:top;width:114px;"> <p style="margin-left:0cm;">专业显卡</p> </td></tr><tr><td style="vertical-align:top;width:170px;"> <p style="margin-left:0cm;">显卡型号</p> </td><td style="vertical-align:top;width:47px;"> <p style="margin-left:0cm;">GTX 1050TI</p> </td><td style="vertical-align:top;width:57.45pt;"> <p style="margin-left:0cm;">GTX 1060</p> </td><td style="vertical-align:top;width:62.65pt;"> <p style="margin-left:0cm;">GTX 1070Ti</p> </td><td style="vertical-align:top;width:63.55pt;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">GTX 1080Ti</span></p> </td><td style="vertical-align:top;width:56.15pt;"> <p style="margin-left:0cm;">Titan X</p> </td><td style="vertical-align:top;width:95px;"> <p style="margin-left:0cm;">Titan XP</p> </td><td style="vertical-align:top;width:114px;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">Tesla P100</span></p> </td></tr><tr><td style="vertical-align:top;width:170px;"> <p style="margin-left:0cm;">显存容量(G)</p> </td><td style="vertical-align:top;width:47px;"> <p style="margin-left:0cm;">4</p> </td><td style="vertical-align:top;width:57.45pt;"> <p style="margin-left:0cm;">6</p> </td><td style="vertical-align:top;width:62.65pt;"> <p style="margin-left:0cm;">8</p> </td><td style="vertical-align:top;width:63.55pt;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">11</span></p> </td><td style="vertical-align:top;width:56.15pt;"> <p style="margin-left:0cm;">12</p> </td><td style="vertical-align:top;width:95px;"> <p style="margin-left:0cm;">12</p> </td><td style="vertical-align:top;width:114px;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">16</span></p> </td></tr><tr><td style="vertical-align:top;width:170px;"> <p style="margin-left:0cm;">显存位宽(bit)</p> </td><td style="vertical-align:top;width:47px;"> <p style="margin-left:0cm;">128</p> </td><td style="vertical-align:top;width:57.45pt;"> <p style="margin-left:0cm;">192</p> </td><td style="vertical-align:top;width:62.65pt;"> <p style="margin-left:0cm;">256</p> </td><td style="vertical-align:top;width:63.55pt;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">352 </span></p> </td><td style="vertical-align:top;width:56.15pt;"> <p style="margin-left:0cm;">384</p> </td><td style="vertical-align:top;width:95px;"> <p style="margin-left:0cm;">384</p> </td><td style="vertical-align:top;width:114px;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">4096</span></p> </td></tr><tr><td style="vertical-align:top;width:170px;"> <p style="margin-left:0cm;">显存频率(GHZ)</p> </td><td style="vertical-align:top;width:47px;"> <p style="margin-left:0cm;">7</p> </td><td style="vertical-align:top;width:57.45pt;"> <p style="margin-left:0cm;">8</p> </td><td style="vertical-align:top;width:62.65pt;"> <p style="margin-left:0cm;">8</p> </td><td style="vertical-align:top;width:63.55pt;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">11</span></p> </td><td style="vertical-align:top;width:56.15pt;"> <p style="margin-left:0cm;">10</p> </td><td style="vertical-align:top;width:95px;"> <p style="margin-left:0cm;">11</p> </td><td style="vertical-align:top;width:114px;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">1.4</span></p> </td></tr><tr><td style="vertical-align:top;width:170px;"> <p style="margin-left:0cm;">显存带宽(G)</p> </td><td style="vertical-align:top;width:47px;"> <p style="margin-left:0cm;">112</p> </td><td style="vertical-align:top;width:57.45pt;"> <p style="margin-left:0cm;">192</p> </td><td style="vertical-align:top;width:62.65pt;"> <p style="margin-left:0cm;">256</p> </td><td style="vertical-align:top;width:63.55pt;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">484</span></p> </td><td style="vertical-align:top;width:56.15pt;"> <p style="margin-left:0cm;">480</p> </td><td style="vertical-align:top;width:95px;"> <p style="margin-left:0cm;">547</p> </td><td style="vertical-align:top;width:114px;"> <p style="margin-left:0cm;"><span style="color:#ff0000;">732</span></p> </td></tr><tr><td style="vertical-align
本文地址：
/show-87980.html
版权声明：除非特别标注原创，其它均来自互联网，转载时请以链接形式注明文章出处。