深度学习GPU工作站/服务器硬件配置方案

深度学习GPU工作站/服务器硬件配置方案普遍存在噪音大,无法放置于办公环境,必须放到专门的机房,维护成本高,另外数据存储带宽、延迟、容量也不尽如意。

引子

市场上用于深度学习训练计算机大致情况如下:

(1)服务器/工作站(支持2、4、8块GPU架构):普遍存在噪音大,无法放置于办公环境,必须放到专门的机房,维护成本高,另外数据存储带宽、延迟、容量也不尽如意。

(2)分布式集群架构:性能强大,但是开发成本太高(太贵),是大多数科研单位及个人无法承受。

(3)组装电脑:这类特点是价格便宜,但是在散热和功率方面依然是普通家用/游戏电脑标准,稳定性巨差。

(4)大部分GPU计算机(服务器/工作站):重点都放在GPU卡数量上,似乎只要配上足够GPU卡,就可以了。

然而,机器硬件配置还需要整体均衡,不同的学习框架更需要不同GPU卡去适配。

深度学习GPU工作站/服务器硬件配置方案

主流学习框架

深度学习GPU工作站/服务器硬件配置方案

主流框架加速效能

上图是不同的DL框架加速效能(NVIDIA GP100为例),不同的框架并不是GPU越多效能就越高。

深度学习计算密集,所以需要一个快速多核CPU,对吧?!

听说深度学习有很多显卡就可以了,一个高速CPU可能是种浪费?!

搭建一个深度学习系统时,最糟糕的事情之一就是把钱浪费在并非必需的硬件上。

一个高性能且经济的深度学习系统所需的硬件到底要如何配置?!

一. 深度学习计算特点与硬件配置分析:

深度学习GPU工作站/服务器硬件配置方案

深度学习计算特点

1.数据存储要求

在一些深度学习案例中,数据存储会成为明显的瓶颈。做深度学习首先需要一个好的存储系统,将历史资料保存起来。

主要任务:历史数据存储,如:文字、图像、声音、视频、数据库等。

数据容量:提供足够高的存储能力。

读写带宽:多硬盘并行读写架构提高数据读写带宽。

接口:高带宽,同时延迟低。

传统解决方式:专门的存储服务器,借助万兆端口访问。

缺点:带宽不高,对深度学习的数据读取过程时间长(延迟大,两台机器之间数据交换),成本还巨高。

UltraLA解决方案:

将并行存储直接通过PCIe接口,提供最大16个硬盘的并行读取,数据量大并行读取要求高,无论是总线还是硬盘并行带宽,都得到加大提升,满足海量数据密集I/O请求和计算需要。

2. CPU要求

如今深度学习CPU似乎不那么重要了,因为我们都在用GPU,为了能够明智地选择CPU我们首先需要理解CPU,以及它是如何与深度学习相关联的,CPU能为深度学习做什么呢?当你在GPU上跑深度网络时,CPU进行的计算很少,但是CPU仍然需要处理以下事情:

(1)数据从存储系统调入到内存的解压计算。

(2)GPU计算前的数据预处理。

(3)在代码中写入并读取变量,执行指令如函数调用,创建小批量数据,启动到GPU的数据传输。

(4)GPU多卡并行计算前,每个核负责一块卡的所需要的数据并行切分处理和控制。

(5)增值几个变量、评估几个布尔表达式、在GPU或在编程里面调用几个函数——所有这些会取决于CPU核的频率,此时唯有提升CPU频率。

传统解决方式:CPU规格很随意,核数和频率没有任何要求。

UltraLA解决方案:

CPU频率尽量高

CPU三级缓存尽量大(有必要科普一下CPU缓存)

“这是个经常被忽视的问题,但是通常来说,它在整个性能问题中是非常重要的一部分。CPU缓存是容量非常小的直接位于CPU芯片上的存储,物理位置非常接近CPU,能够用来进行高速计算和操作。CPU通常有缓存分级,从小型高速缓存(L1,L2)到低速大型缓存(L3,L4)。作为一个程序员,你可以将它想成一个哈希表,每条数据都是一个键值对(key-value-pair),可以高速的基于特定键进行查找:如果找到,就可以在缓存得值中进行快速读取和写入操作;如果没有找到(被称为缓存未命中),CPU需要等待RAM赶上,之后再从内存进行读值——一个非常缓慢的过程。重复的缓存未命中会导致性能的大幅下降。有效的CPU缓存方案与架构对于CPU性能来说非常关键。深度学习代码部分——如变量与函数调用会从缓存中直接受益。”

CPU核数:比GPU卡数量大(原则:1核对应1卡,核数要有至少2个冗余)。

3. GPU要求

如果你正在构建或升级你的深度学习系统,你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上,收获巨大。

主要任务:承担深度学习的数据建模计算、运行复杂算法。

传统架构:提供1~8块GPU。

UltraLA解决方案:

数据带宽:PCIe8x 3.0以上。

数据容量:显存大小很关键。

深度学习框架匹配:CPU核-GPU卡 1对1。

GPU卡加速:多卡提升并行处理效率。

4.内存要求

至少要和你的GPU显存存大小相同的内存。当然你也能用更小的内存工作,但是,你或许需要一步步转移数据。总而言之,如果钱够,而且需要做很多预处理,就不必在内存瓶颈上兜转,浪费时间。

主要任务:存放预处理的数据,待GPU读取处理,中间结果存放。

UltraLA解决方案:

数据带宽最大化:单Xeon E5v4 4通道内存,双XeonE5v4 8通道内存,内存带宽最大化。

内存容量合理化:大于GPU总显存。

说了那么多,到底该如何配置深度学习工作站,下面是干货来袭~

二. 深度学习工作站介绍与配置推荐

1. UltraLABGX370i-科研型

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX370i-科研型

硬件架构:4核4.7GHz~5.0GHz+4块GPU+64GB内存+4块硬盘(最大)

机器特点:高性价比,最快预处理和GPU超算架构

数据规模:小规模

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX370i 基准配置

2. UltraLABGX490i-高效型

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX490i

硬件架构:配置10核4.5GHz+4块GPU+128GB+4块硬盘(最大)

机器特点:较GX360i,CPU核数和内存容量提升

数据规模:中小规模

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX490i基准配置

3. UltraLABGX490M-高性能型

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX490M

硬件架构:配置6核4.5GHz/8核4.3GHz/10核4.3GHz+最大7块GPU+256GB+20盘位并行存储

机器特点:GPU数量支持到7块,支持海量数据并行存储

数据规模:中大规模

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX490M基准配置

4. UltraLABGX620M-超级型

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX620M

硬件架构:双Xeon可扩展处理器(最大56核,最高3.8GHz)+最大9块GPU+20盘位并行存

机器特点:目前最强大的CPU+GPU异构计算

数据规模:建模与仿真计算、高性能科学计算、机器/深度学习

深度学习GPU工作站/服务器硬件配置方案

UltraLAB GX620M基准配置

UltraLAB深度学习工作站特点:

(1)种类丰富: GX370i(1C4G), GX490i(1C4G) –科研型,GX490M(1C7G)、GX620M(2C9G)–超级型。

(2)性能特点:超高频+多GPU+海量高速存储+静音级=最完美强大DL硬件平台。

(3)应用平台:完美支持TensorFlow,Caffe,Torch,DIGITS,Theano,MXNet等。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
转载请注明出处: https://daima100.com/11926.html

(0)

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注