A. 深度學習 對硬體的要求
之前熱衷於學習理論知識，目前想跑代碼了發現不知道從何下手，自己電腦上搭建的平台基本就是個擺設，因為跑不起來呀。今天我們就來看看想做深度學習應該怎麼下手。
首先了解下基礎知識：
1、深度學慣用cpu訓練和用gpu訓練的區別
（1）CPU主要用於串列運算；而GPU則是大規模並行運算。由於深度學習中樣本量巨大，參數量也很大，所以GPU的作用就是加速網路運算。
（2）CPU算神經網路也是可以的，算出來的神經網路放到實際應用中效果也很好，只不過速度會很慢罷了。而目前GPU運算主要集中在矩陣乘法和卷積上，其他的邏輯運算速度並沒有CPU快。
目前來講有三種訓練模型的方式：
1. 自己配置一個「本地伺服器」，俗稱高配的電腦。
這個選擇一般是台式機，因為筆記本的「高配」實在是太昂貴了，同一個價格可以買到比筆記本好很多的配置。如果是長期使用，需要長期從事深度學習領域的研究，這個選擇還是比較好的，比較自由。
①
預算一萬以內的機器學習台式機/主機配置：
②
從李飛飛的課程里，可以看到她的電腦配置，這個配置是機器學習的基本設置。
內存：4X8G
顯示卡： 兩個NV GTX 1070
硬碟： HDD一個， SSD兩個
③ 配置主機需要了解的參數（在上一篇博客中已經詳細介紹了各個參數的含義）：
GPU：一個好的GPU可以將你的訓練時間從幾周縮減成幾天，所以選GPU一定要非常慎重。可以參看GPU天梯榜，都是一些比較新的型號具有很強的性能。
在英偉達產品系列中，有消費領域的GeForce系列，有專業繪圖領域的Quadro系列，有高性能計算領域的Tesla系列，如何選擇？有論文研究，太高的精度對於深度學習的錯誤率是沒有提升的，而且大部分的環境框架都只支持單精度，所以雙精度浮點計算是不必要，Tesla系列都去掉了。從顯卡效能的指標看，CUDA核心數要多，GPU頻率要快，顯存要大，帶寬要高。這樣，最新Titan
X算是價格便宜量又足的選擇。
CPU：總的來說，你需要選擇一個好的GPU，一個較好的CPU。作為一個高速的串列處理器，常用來作為「控制器」使用，用來發送和接收指令，解析指令等。由於GPU內部結構的限制，使得它比較適合進行高速的並行運算，而並不適合進行快速的指令控制，而且許多的數據需要在GPU和CPU之間進行存取，這就需要用到CPU，因為這是它的強項。
內存條：主要進行CPU和外設之間的數據交換，它的存取速度要比硬碟快好幾倍，但是價格比較昂貴，通常會和容量成正比。內存大小最起碼最起碼最起碼要大於你所選擇的GPU的內存的大小（最好達到顯存的二倍，當然有錢的話越大越好）。在深度學習中，會涉及到大量的數據交換操作（例如按batch讀取數據）。當然你也可以選擇將數據存儲在硬碟上，每次讀取很小的batch塊，這樣你的訓練周期就會非常長。常用的方案是「選擇一個較大的內存，每次從硬碟中讀取幾個batch的數據存放在內存中，然後進行數據處理」，這樣可以保證數據不間斷的傳輸，從而高效的完成數據處理的任務。
電源問題：一個顯卡的功率接近300W，四顯卡建議電源在1500W以上，為了以後擴展，可選擇更大的電源。
固態硬碟：作為一個「本地存儲器」，主要用於存儲各種數據。由於其速度較慢，價格自然也比較便宜。建議你選擇一個較大容量的硬碟，通常會選擇1T/2T。一個好的方法是：「你可以利用上一些舊的硬碟，因為硬碟的擴展十分簡單，這樣可以節省一部分資金。」
B. 計算機網路技術需要什麼配置的電腦
大致如下
1 處理器要夠強，筆記本推薦 I7 12代以上的，台式機最少也得I7 12代以上的
2 內存起步是16G ，有條件的可以上32G
3 顯卡就沒那麼太強的要求了，又不是搞圖像設計，普通配置的顯卡就可，顯卡配置有4G就可，
4 硬碟固態在1T以上，有條件的再加1個2T的硬碟，滿足存儲要求
5 由於網路技術需要跑虛擬機，虛擬機這個東西對於處理器的多線程能力要求很高，對於內存要求很高，對於硬碟空間要求很高，對於顯卡要求不高，有時候需要開大量虛擬機進行互聯，機器處理，內存慢了根本不行，
此外，網路技術有大量線上教程和離線教程，需要數據存儲，這個對於硬碟要求也很高的，2T足以滿足存儲，1T的固態能滿足操作系統響應要求的
6 您學廢了嗎