2021年3月份，还是下定决心配一台主机了。
原因在这里
炼丹炉买不起了:聊一聊这段日子的显卡行情
花了11000大洋配了如下的主机：
CPU：intel 十代10700F散片
散热：酷冷至尊 暴雪T400PAO ARGB
主板：微星 B460M 迫击炮 WIFI
显卡：微星 RTX 3070 魔龙
内存：海盗船复仇者RGB 3000 82 硬盘：西数SN750 500G 黑盘 电源：酷冷至尊 G700 700W金牌 直出 机箱：航嘉阿瑞斯全侧透 风扇：航嘉炫彩5
为什么没有上RTX3080，还是那句话3080太贵了，1.1w左右才能买到，都能顶一台主机了。这台主机主要是跑一些工作之外的深度学习项目，8G内存应该凑合能用，等配件回来就可以配置了。
等货回来之前，先回顾一下之前配置主机的情况吧。
2018年。
那会除了泰坦，最性价比的就是1080TI了，而现在(2021年)，因为挖矿以及其他原因，二手的1080TI仍然要4000左右。
以下是配置双1080TI的装机记录。
回顾
之前一直在装有一张1080Ti的服务器上跑代码，但是当数据量超过10W(图像数据集)的时候，训练时就稍微有点吃力了。速度慢是一方面，关键显存存在瓶颈，导致每次训练的batch-size不敢调的过高(batch-size与训练结果存在一定的关系)，对训练结果的影响还是比较大的。
在深度学习的时代，谁掌握算力谁便提前一步，因此有必要提升自己的计算能力。
这是我使用的服务器的配置清单，主板理论可以插4张GPU，但是由于CPU的原因，插上两张显卡的功效最大。
配置
对配置有疑惑的童鞋可以查看这篇：
给你一份配置清单:机器学习、深度学习电脑显卡配置指南。
正文
首先，这是之前的主机，CPU为7800X，主板为X299，CPU水冷其余风冷，插着一张微星1080TI显卡。
主机箱-一张1080ti配置
欲加上的显卡为索泰1080TI OC 至尊系列，与之前的微星显卡组成双显卡阵列，如果你要问我为什么买这张显卡：
学校的供货渠道目前只有两种牌子(七彩虹和索泰)，但是七彩虹的那款尺寸有点不合适，故不选择
虽然现在都换成了RTX 2080，但是由于2080还不是很稳定，1080ti与最新系列差距并不是很大，所以还是选择1080ti
之前那一张是1080Ti，当然选择搭配的最好也是1080Ti，可以分布式训练(显卡牌子型号可以不同)
来看看这款索泰的配置吧：
索泰1080ti
可以看到，之前这张显卡插得位置有点不好，太靠中间，因此需要将这一张先拔下来，换个位置，两张就都可以插上了。
看看这张索泰的显卡(正面)。
以及背面(装了两个小风扇，但是最后还是拆了，因为会吹风到另一张显卡上…)
这样调换位置后，两张显卡就可以完美地插上了，两张都是8pin+6pin，使用的电源是海盗船RM1000X，理论上是足够了，具体待测。
因为在使用之前那张显卡时已经装上了Linux的Nvidia驱动，插两张卡没必要使用之前的驱动即可，显示器还是插之前的那张卡就好。
一次性点亮~
可以看到Linux系统中已经检测到了两张显卡。
总结
装上新卡之后简单测试了一下，两张卡是可以同时进行同一个任务的，速度也会有提升，但具体的需要慢慢来体会了。
其实，有几点需要注意：
我使用的CPU是7800X，PCIE通道数为28，理论上两张显卡的分配数是8-PCIE+16-PCIE，但是实际上8+8速度也是可以的，速度个人感觉并没有差太多，需要之后详细评测一下
因为一张微星一张索泰，散热性能相比不知道会如何，需要测试 （后来测试，索泰的散热性能比微星的强一些，可能与摆放位置有关）
两张显卡功率各250W，而CPU最高应该200W左右，额定1000W的电源按理说应该是够用的，到底是不是这样，也需要进行测试 (后来证明是够用的~)
总之，双卡装起来还是比较容易的，只要提前对机箱的尺寸和布局有了解，选择好合适的显卡就可以进行安装了，另外，显卡还是比较耐操的，不要因为一些其他原因点不亮而担心显卡会烧毁。
后记
学生时代使用1080TI，工作中使用2080TI，未来的生活中将会使用3070。作为深度学习炼丹侠，看来与显卡真的是纠缠不清呐。今年的情况也比较特殊，虽然显卡价格居高不下，但是初心不能忘，咬牙也要硬上。希望接下来的日子里，这块3070能够陪我度过一段快乐时光吧。
3070的装机篇和性能篇不日发步。
往期回顾
Mac mini m1使用简单体验(编程、游戏、深度学习)
各种姿势的debug(从python一路debug到C++)
实现TensorRT自定义插件(plugin)自由！
更底层的算法部署工程师:机器学习系统与SysML&DL(一)
CVer想知道的都在这里了，一起分析下《中国计算机视觉人才调研报告》吧！
声明：文中观点不代表本站立场。本文传送门：https://eyangzhen.com/202637.html
