目前深度学习硬件配置缺陷
深度学习硬件架构分析
UltraLAB深度学习服务器/工作站
为什么4块GPU机器，比人家2块GPU机器还慢
为什么同样8块GPU比人家8块GPU卡，还慢
为什么2块GPU卡，一个快一个慢
为什么这么多GPU卡，计算过程还是很慢
我的机器噪音巨大，无法放到办公环境，怎么在静音环境下运行
从深度学习计算过程分析开始
上述图示，深度神经网络计算大致流程，下面通过深度神经网络计算环节，分析核心硬件配置理想要求
常见图形工作站硬件配置上的误区：1．硬盘用普通PC硬盘，寿命短，带宽低，或数量不够2．CPU用的最多的是Xeon E5 2620v（8核2.1GHz），频率太低，数据预处理太慢，成为整个计算的最大瓶颈3．为了把钱用到“刀刃上”—尽可能多配GPU卡，但是总显存比内存容量大，不合理，或者CPU核数低于GPU卡数，这些都会造成计算过程资源耗尽，数据来回从虚拟内存导入，计算变慢 END
UltraLAB GXi/M图灵计算工作站是一款多GPU超算、超高频率处理器、海量存储于一体、基于办公静音环境、应用于深度学习(机器学习、人工智能)的AI超级计算机系统。
GX360i机型配置参考（超值型）该机型特点：支持4块GPU卡，CPU频率高达5GHz，整体配置均衡无死角，满足深度学习训练硬件配置要求，含23”高清图显
GX480M、GX610M机型配置参考（高性能型）该机型特点：支持最大到7块（GX480M）或9块（GX610M）GPU卡，CPU的频率和核数达到均衡，每个环节保证达到高性能，整体配置均衡无死角，满足深度学习训练对配置的要求，含23”高清图显
UltraLAB GXi/M是一款静音级、高性能GPU超算的深度学习训练计算机，对比市面上的机器，除了强大的性能还更安静。适合科研、研究部门在安静的办公环境下运行。此外，该机型用途极广，扩展能力强， 调整配置后，可为电磁仿真计算（CST）、量子化学/分子动力学计算（VAST、AMBER等）、超大屏拼接（6X10拼接合成）、视频剪辑合成、指纹识别等应用，提供强悍的计算、图形生成能力END
误区：只要有足够多GPU卡，性能定会更强大
误区：同样数量GPU卡，谁便宜、谁性价比更高，就最好选择
误区：CPU核数，频率不重要，把钱砸到GPU上就行
误区：同样，硬盘和内存不重要，最重要的是GPU卡越多越好