电脑配置初步理解

admin管理员组

文章数量:1531451

前言

我们主要是为了利用GPU去训练，所以在配置主机时，我们主要是先选取GPU，然后需要注意的是计算好电源功率问题（主要是为了保证稳定性）。还有当使用多个显卡时，需要注意处理器和主板的选取。

一.主板

1. 选主板最重要的是选择合适的主板芯片组，是主板最重要的部分，这关系到CPU是否和主板兼容。如下：

2. 选择板型
   要根据机箱的大小选择合适的板型。最常见的是ATX大板和M-ATX小板，大小板性能几乎没有差距，仅扩展性有差别。

3. 选择主板品牌

二.CPU

中央处理器，现如今分intel（英特尔）和ADM。代表了cp的运算能力。

CPU有架构、核心、线程、频率为主要参数，还有缓存大小、制程、功耗、接口等其他参数。

1. 架构 —— 架构就是常看到的sandy bridge/ivy
   bridge/haswell/broadwell/skylake 都是架构的名字。

2. 核心、线程 —— 核心的意思是在这个CPU里，有“几个人”；线程的意思是一个核心的效率怎么样。比如：i5是4核心4线程，而i7是4核心8线程。

3. 缓存 —— 缓存是CPU自己的“内存”，用来放暂时处理不及的东西，因为它的作用像内存对电脑的作用。但为什么CPU不用内存而用自己的缓存呢？因为内存的速度虽然很快，但依然达不到CPU的读写频率，所以CPU需要这样一个缓存来快速读写。而内存用来存放目前运行的程序所必须占用的空间。

下面为一个天梯图：

其中对于常见的intel中，有如下分类：

对于笔记本最常见的是intel的酷睿-CORE，如下：

三.显卡

显卡是绘制电脑图像的东西，你在电脑上看到的任何图像、任何动画都是显卡一张一张画出来的。一张一张的图片高速播放，就成了我们看到的连贯、流畅的画面。显卡种类：显卡研发厂家NVDIA（英伟达）或AMD；各大品牌厂家买了英伟达或AMD的显卡芯片之后，自己组装拼凑生产的显卡，如：华硕、微星、技嘉、索泰等。现在AMD显卡基本不会考虑。

显卡重要的评价指标有：流处理器数量、显卡架构；其他指标有：显卡频率、显存大小、位宽、显存频率。

1 流处理器（相比于CPU的核心）

流处理器就是显卡画画的东西，可以理解为显卡里的画师。比如某个显卡有4352个流处理器，那么这个显卡就有4352个画师为它服务，人多力量大，画师越多，每秒能画出的图片也就越多（也就是我们说的游戏帧数越高），画面是更加流畅的。我们常见的显卡的等级一般也都是根据流处理器的数量来划分的。

2 显卡架构（相当于CPU的架构）

当然光是比画师的数量也是很片面的（也就是流处理器的数量），还要看画师的水平怎么样（也就是这里的显卡架构）。比如说，采用老的麦克斯架构的GTX960显卡虽然拥有1024个流处理器，但是还是打不过采用新的帕斯卡架构仅768个流处理器的GTX1050TI；

所以说新架构的显卡效率更高，性能也更强。现在最新出的英伟达20系显卡采用的是图灵架构，拥有深度学习的能力，效率更高，比10系的帕斯卡架构更能打。

3 . 显卡的频率（相当于CPU的线程）

可以理解为画师画画的速度，每秒画1500笔和每秒画2000笔显然是有差距的。所构和流以在架处理器数量一样的情况下，这个频率越高，显卡的性能也就越好。

4 . 显存容量、位宽和显存频率

当然画师画完画后，还要有强大的后勤运输团队把这些画运出来放好，以供CPU调取。

4.1 位宽表示货车每次能运输多少数据

4.2 显存的频率表示小车每秒能运输多少趟

4.3 显存容量就是存储仓库的大小

！！ 显存大小虽然也重要，但并不是最重要的。在实体店里很多商家刻意隐藏显卡的型号，他们把大显存作为卖点，比如“2GB游戏独显”。例子：那么我们就看看，都是2GB显存的两张显卡，到底有什么不同。单从外观上看这两张显卡都差不多 ，我们在看看他们的参数：

问题一：什么是公版显卡，什么是非公版显卡？

公版显卡是显卡研发厂家NVDIA（英伟达）或AMD官方售卖的显卡，以稳定著称。非公版显卡就是各大品牌厂家，如：华硕、微星、技嘉、索泰等买了英伟达或AMD的显卡芯片之后，自己组装拼凑生产的显卡，我们常见的显卡都是非公版的显卡。

问题二：独立显卡和集成显卡的区别。

所谓集成显卡，是指显卡集成在主板上，不能随意更换。而独立显卡是作为一个独立的器件插在主板的AGP接口上的，可以随时更换升级。另外，集成显卡使用物理内存，而独立显卡有自己的显存。一般而言，同期推出的独立显卡的性能和速度要比集成显卡好、快。值得一提的是，集成显卡和独立显卡都是有GPU的。

问题三：如何调用显卡上的GPU？

安装显卡驱动，如果没有显卡驱动的话，是无法识别GPU的。

问题四：显卡命名规则

一般包含：显卡系列+字母前缀+数字+字母后缀

显卡系列：一般为“GeForce”

前缀：“GT”、“GTS”、“GTX”、“RTX”。分别为低端、中端、高端、带光追核。

数字：一般分为三部分。其一部分为第几代，中间为等级，后面基本无实际意义。

后缀：“TI”、“TE”、“M”。分别为加强版、阉割版、移动版（笔记本专用）。

说明：最高端为“GTX Titan”=卡皇

下面为一个天梯图：

四.GPU

GPU这个概念是由Nvidia公司于1999年提出的。GPU是显卡上的一块芯片，就像CPU是主板上的一块芯片。

CPU负责逻辑性强的事物处理和串行计算，GPU则专注于执行高度线程化的并行处理任务（大规模计算任务）。

1. GPU和CPU的关系？
   在没有GPU之前，基本上所有的任务都是交给CPU来做的。有GPU之后，二者就进行了分工，CPU负责逻辑性强的事物处理和串行计算，GPU则专注于执行高度线程化的并行处理任务（大规模计算任务）。为什么这么分工？这是由二者的硬件构成决定的。可以看出，CPU是“主（host）”而GPU是“从（device）”，GPU无论发展得多快，都只能是替CPU分担工作，而不是取代CPU。
   如下图所示，在整个计算机系统中，CPU起到协调管理的作用，管理计算机的主存、硬盘、网络以及GPU等各类元件。

2. GPU的架构
   Turing 图灵：2018年发布，消费显卡：GeForce 2080 Ti。
   Volta 伏特 ：2017年末发布，专业显卡：Telsa V100 (16或32GB显存 5120个核心)。
   Pascal 帕斯卡：2016年发布，专业显卡：Telsa P100(12或16GB显存
   3584个核心)。

3. 软件生态-CUDA、cudnn
   英伟达能够在人工智能时代成功，除了他们在长期深耕显卡芯片领域，更重要的是他们率先提供了可编程的软件架构。2007年，英伟达发布了CUDA编程模型，软件开发人员从此可以使用CUDA在英伟达的GPU上进行并行编程。当深度学习大潮到来时，英伟达提供了cuDNN深度神经网络加速库，目前常用的TensorFlow、PyTorch深度学习框架的底层大多基于cuDNN库。CUDA对于GPU就像个人电脑上的Windows、手机上的安卓系统。

4. 如何调用显卡上的GPU，进行加速？
   需要安装显卡驱动。没有显卡驱动，就不能识别GPU硬件，不能调用其计算资源。但是呢，Nvidia在Linux上的驱动安装特别麻烦，尤其对于新手简直就是噩梦。得屏蔽第三方显卡驱动。

5. 显卡、显卡驱动、GPU、CUDA的关系？
   显卡和GPU属于硬件；显卡驱动属于软件-底层接口，用于识别GPU；CUDA相比于GPU上的操作系统。

五 . CUDA、cuDNN

CUDA(Compute Unified Device Architecture)，通用并行计算架构，是一种运算平台。它包含CUDA指令集架构以及GPU内部的并行计算引擎。你只要使用一种类似于C语言的CUDA C语言，就可以开发CUDA程序，从而可以更加方便的利用GPU强大的计算能力，而不是像以前那样先将计算任务包装成图形渲染任务，再交由GPU处理。

注意，并不是所有GPU都支持CUDA，也就是不一定所有版本的gpu可以进行cuda加速。

1. CUDA的由来
   自Nvidia提出GPU这个概念后，GPU就进入了快速发展时期。简单来说，其经过了以下几个阶段的发展：
   1）仅用于图形渲染，此功能是GPU的初衷，这一点从它的名字就可以看出：Graphic Processing Unit，图形处理单元；
   2）后来人们发现，GPU这么一个强大的器件只用于图形处理太浪费了，它应该用来做更多的工作，例如浮点运算。怎么做呢？直接把浮点运算交给GPU是做不到的，因为它只能用于图形处理（那个时候）。最容易想到的，是把浮点运算做一些处理，包装成图形渲染任务，然后交给GPU来做。这就是GPGPU（General
   Purpose GPU）的概念。不过这样做有一个缺点，就是你必须有一定的图形学知识，否则你不知道如何包装。
   3）于是，为了让不懂图形学知识的人也能体验到GPU运算的强大，Nvidia公司又提出了CUDA的概念。

2. CUDA对于GPU的作用？
   CUDA对于GPU就像个人电脑上的Windows、手机上的安卓系统。CUDA是Nvidia推出的只能用于自家GPU的并行计算框架。只有安装这个框架才能够进行复杂的并行计算。主流的深度学习框架也都是基于CUDA进行GPU并行加速的，几乎无一例外。还有一个叫做cudnn，是针对深度卷积神经网络的加速库。

3. cudnn相对于CUDA的作用？
   CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作。

4. cuDNN库
   如何快速的基于 GPU 开发深度学习的应用呢？最直接的方式就是利用 cuDNN 这个计算库。通过将卷积神经网络的计算变换为对更 GPU 友好的矩阵运算，cuDNN 可以有效提高整个网络的训练速度：

5. 训练时若需要用cuda加速，哪些部分需要注意？
   数据需要加cuda；预测值需要加cuda;网络需要加cuda;损失函数需要加cuda。这里相当于直接将整个训练搬到CUDA上训练。

六.内存

内存是可以进行高速读写的储存器。CPU所需的数据从硬盘中被调取，暂时存放在内存中，CPU从内存中把数据取出并进行处理，处理好之后再放回到内存中，等有需要时，这些处理好的数据就从内存中被调用。现主要分DDR3、DDR4两种内存规格。

数据运送到GPU之前，都预先到内存中，则内存大小也决定你能训练模型的大小。

1. 内存和显存的区别？
   理论上来说，显存和内存的功能和原理基本是一样的。当显存足够大了之后，再加大，对整机性能几乎没什么提升，而提升最大的，就是价格。。显存只需要存放图像数据，而内存要存放包括待处理图像数据在内的所有待用数据，内存的工作量比显存要大得多。

2. 内存规格
   内存规格：可以简单理解为内存技术的版本。目前还有市场的内存规格有DDR3和DDR4，过去的DDR和DDR2内存已经被彻底淘汰。DDR4是目前最新的内存规格，在最低频率、工作电压、带宽、金手指、工作原理等等方面都与DDR3有着较大差异。比如说DDR3单条内存容量一般最大为8G，而DDR4单条可以达到64G甚至128G。

3. 内存的频率
   内存频率：与CPU、显卡、显存的频率一样，内存频率是衡量内存工作速度的重要指标，单位为MHz。内存频率的提高会导致内存带宽的提高，所以内存频率也是越高越好的。当然，也越贵。

4. 内存与主板、CPU的兼容性问题
   显卡与CPU和主板基本上不存在兼容性问题，只要能插上就能用，但内存略麻烦。其中内存和CPU主要是内存规格、内存容量问题。内存与CPU的兼容性问题：内存的工作需要CPU内的内存控制器进行控制，内存控制器与内存如果不能兼容，内存的就不能正常工作。具体的兼容问题又分为三种：

l CPU与内存规格不兼容：拿Intel Core i7 4770K为例，内存控制器只支持DDR3内存。所以配一条DDR4内存是用不了的。

l CPU与内存容量不兼容：Intel Core i7 4770最大兼容32GB内存，再大就不认了。

l CPU与内存频率不兼容：CPU与内存频率不兼容的问题现在基本已经不存在，也就是外界传来的信息太多太快，CPU将忙不过来。

5. 内存与主板的兼容性问题
   相比于CPU与内存的兼容性问题，主板与内存的兼容问题更加明显。
   和CPU类似，主板与内存也存在规格、容量和频率上的兼容问题。但主板与CPU不同，如果内存频率过高，主板会直接对内存进行降频，而不会像CPU一样忍气吞声地超频工作的。除了主板与内存频率的不兼容问题外，其他兼容性问题其实基本可以不考虑。因为我们知道，CPU与主板只有插槽相同才能用（其实也属于兼容性问题），CPU与主板基本上是相互照应的，所以CPU能兼容的内存，主板基本上也能兼容。只能兼容DDR3的CPU是不能搭配拥有DDR4内存插槽的主板的，在没插内存之前你会先发现CPU放不进去。

七.硬盘

类似店铺的仓库，越大，摆放的越多。常规电脑中的盘中数据存储在硬盘中。

硬盘是电脑主要的存储媒介之一，由一个或者多个铝制或者玻璃制的碟片组成。碟片外覆盖有铁磁性材料。 硬盘有固态硬盘（SSD 盘，新式硬盘）、机械硬盘（HDD 传统硬盘）、混合硬盘（HHD 一块基于传统机械硬盘诞生出来的新硬盘）。

SSD采用闪存颗粒来存储，HDD采用磁性碟片来存储，混合硬盘(HHD: Hybrid Hard Disk)是把磁性硬盘和闪存集成到一起的一种硬盘。绝大多数硬盘都是固定硬盘，被永久性地密封固定在硬盘驱动器中。机械硬盘：长久以来存资料的第一选择，便宜容量大，数据可恢复，属于“流水线”级别，随时可以被替代。固态硬盘：业界新秀，速度快，体积小，容量够用，价格贵，当然价格上的差距在逐渐拉低，近几年成为了标配，占有率马上超过机械硬盘，但是颗粒寿命越来越低，像不像“明星→网红”？原本质量非常高，价格也昂贵，只有一小部分“追星”，变成“网红”后热度一个月都不到就消失在大众视野，但是“模仿者”极多。

八 . 电源

主要为了保证性能稳定。

九 . 散热器

为GPU散热。

本文标签： 电脑配置