摘要：但是如果你和我是一樣的人，你想自己攢一臺奇快無比的深度學習的電腦。可能對深度學習最重要的指標就是顯卡的顯存大小。性能不錯，不過夠貴，都要美元以上，哪怕是舊一點的版本。電源我花了美元買了一個的電源。也可以安裝，這是一個不同的深度學習框架。

是的，你可以在一個39美元的樹莓派板子上運行TensorFlow，你也可以在用一個裝配了GPU的亞馬遜EC2的節點上跑TensorFlow，價格是每小時1美元。是的，這些選擇可能比你自己攢一臺機器要更現實一點。但是如果你和我是一樣的人，你想自己攢一臺奇快無比的深度學習的電腦。

好吧，一千塊錢對于一個DIY項目來說是太多了。但是一旦你把機器搞定，你就能構建數百個深度學習的應用啦，從擁有增強大腦的機器人到藝術創作（至少這是我為花這些錢找的理由）。最差的理由也是，這個機器至少能輕松打敗那個2800美元的Macbook Pro筆記本。除了用電多一點，所有的性能都比Macbook強。另外這臺電腦很容易被升級，從而能保證它的性能可以領先筆記本好幾年。

從上世紀80年代后我就再沒攢過電腦。我也相當擔心花好幾百塊，最終搞一堆我自己裝不出來的零件（或是攢出來了，但可能沒法正常工作）。不過我要告訴你，攢機是可以的！另外，整個過程也很好玩。最后你能擁有一臺通用的電腦，并能做預測，同時比筆記本快20多倍。

下面是購買清單和一些細節建議：

主板

主板有不同的尺寸規格。因為我不想用多個GPU，所以最便宜最小的主板標準尺寸是mini-ITX，對這個項目是夠用了。我的較低要求是要有一個PCIe插槽給GPU用，有兩個DDR4的內存插槽。最后我買的是華碩的 Mini ITX DDR4 LGA 1151 B150I PRO GAMING/WIFI/AURA主板，在亞馬遜上賣125美元。還附送了一個WiFi的天線。這對于在地下室里用這個電腦是太方便了。

機箱

機箱不太重要，也非常便宜。因為DIY電腦的主要客戶都是游戲玩家，所以機箱的形狀和顏色也是五花八門。機箱的尺寸應該和主板配套，所以我的機箱需要支持mini-ITX。我買的是Thermaltake Core V1 Mini ITX Cube機箱，在亞馬遜上賣50美元。

內存

我不敢相信現在內存有多便宜。你需要買和主板配合的DDR4型的內存（幾乎網上找到的都是這個類型），大家的價格都差不多。我用129美元買了兩條8GB of Corsair Vengeance內存。

這個帶LED燈的內存條讓我多花了5美元，因為亞馬遜的用戶評價上說“對于沒法在機箱里裝足夠多LED燈的，這個內存是較佳選擇。”如果你如我一樣是在地下室里攢機，也不在乎機箱里面的美感，那你肯定會非常難在機箱里找到零件。

CPU

我看了一下網上的CPU評測比較，認為比較慢的CPU應該沒什么問題，因為我沒什么任務是要高速CPU的（除了訓練神經網絡，而我會用GPU來訓練）。但我也受不了一臺電腦，里面有一個相對其他部件落后三代的CPU。最后我花了214美元買了Intel I5-6600 CPU。

大部分亞馬遜上能找到的CPU都是合適的。我沒花額外的20美元去買I5-6600K。與I5-6600型相比，除了能超頻，其他功能都一樣。但通過系統可靠性來換取10%的速度提升對于我來說是夠瘋狂的。不過我承認，在我開始想著自己攢機后，我有些后悔了。所以誰知道哪？攢機會改變你的生活樣式。可能買一個可超頻的CPU會少一些后悔。但另一方面，也許去除掉多余的選擇能保護你自己，不會自己作死。

硬盤

我也無法相信現在硬盤有多便宜了。用50美元我買了一個1TB SATA硬盤。固態硬盤會更快，但貴很多。而且深度學習的程序一般都不會是高I/O依賴的，因為一般程序都是拉取一批數據進內存，然后算很久。如果你有很多的文件傳輸任務，或是僅僅是想確保比你朋友的Macbook跑應用快很多，那我會買一個固態硬盤，比如這個三星的850 EVO 250GB 2.5-Inch SATA III Internal SSD，250G的要98美元。

這些硬盤讓我意識到，蘋果是多么會宰人。為了Macbook Pro有250G的額外硬盤容量，你要花200美元！

顯卡/GPU

選哪款顯卡是最重要也是最難的問題。對于幾乎所有的機器學習應用，你都需要一個英偉達的顯卡，因為只有英偉達有最重要的CUDA框架和CuDNN庫，所有的機器學習框架（包括TensorFlow）都依賴它們。

作為一個非GPU專家，我發現與之相關的名詞術語是夠讓人糊涂的。但下面是非常基本的選購指標。

可能對深度學習最重要的指標就是顯卡的顯存大小。如果TensorFlow不能把模型和當前批次的訓練數據存進GPU的顯存，它就會失敗并轉向使用CPU，從而讓GPU變成廢物。

另外一個重要的考慮就是顯卡的架構。英偉達依次推出的架構叫“Kepler”，“Maxwell”和“Pascal”。這些架構的主要區別就是速度。例如根據這個基準評測，Pascal Titan X的速度是Maxwell Titan X的兩倍。

機器學習的大部分論文都是用的TITAN X顯卡。性能不錯，不過夠貴，都要1000美元以上，哪怕是舊一點的版本。大部分搞機器學習且沒多少預算的人都用的英偉達的GTX 900系列（Maxwell）或是GTX 1000系列（Pascal）。

想找出一塊顯卡的架構，你可以看看英偉達的那個極其讓人混淆的命名系統：9XX卡使用的是Maxwell架構，而10XX是用的Pascal架構。但一個有更高的主頻和更大的顯存980可能還是比一個1060要快。

你可能必須對不同架構的英偉達GPU有所了解。但最重要的是，無論是9XX還是10XX顯卡，都會比你的筆記本快一個數量級。不要被這些選項搞暈了，如果你還沒有用過GPU，用它會比你現有的系統要快很多。

我買的是GeForce GTX 1060顯卡，3GB顯存，花了195美元。用它比我的Macbook要快近20倍。但對有些應用，它還是偶爾會出現顯存內存不足的情況。所以我也許應該多花60美元來買一個GeForce GTX 1060 6GB顯存版。

電源

我花了85美元買了一個650W的電源。我的經驗是，電器如果電源出了問題是非常頭疼也很難修的，所以不值得為此省錢。另一方面，我的系統的峰值負載從來沒有超過250瓦。

散熱器

我還記得我工作的第一家創業公司是把服務器放到壁櫥里面的。即使隔著壁櫥的門，風扇的噪聲還是出奇的大。這樣的日子似乎是早已過去了。不過650瓦的電源讓你的機器耗能是筆記本的10倍，而能量總是要找到一個出口的地方。可能不是必須的，但是我還是用35美元買了一個超級的散熱器——Master Hyper 212 EVO。這讓CPU始終運行在低溫狀態，且系統超級安靜。

概覽

要最后能用，你還需要有顯示器、鼠標和鍵盤。這些東西一般容易搞到（我的地下室里到處都是）。合計價格是883美元，因此想花1000美元的話，還能再升級一些東西。

裝機

所有包裹都到齊后我是相當的興奮，然后我發現裝機是容易，但靠不住。花了我大概一個小時，按照每個部件的說明書就把電腦組裝起來了。最后卻點不亮。我不得不更換了主板，相當沮喪但還OK。

第二次組裝時，我把所有的部件放在一個紙箱子上連接起來，先確定是不是都能正常工作。

圖1 放在桌子上的半成品電腦，只連接了最少的部件來測試

圖2 裝上超大散熱器后的電腦，看起來很恐怖

圖3 從上面看下去，硬盤已經裝進去了

啟動電腦

安裝版本的Ubuntu會讓你的生活變得容易得多，因為新版本支持幾乎所有的深度學習的軟件。你可以把一個鏡像存到一個USB盤里，然后按照它的簡單的一步一步指導來安裝。在上世紀90年代，我需要和各種驅動程序去斗爭來安裝Linux桌面，不過現在的安裝過程已經變得超級容易。

新的Ubuntu操作系統也非常的棒。我現在經常使用我自己組裝的這臺電腦。擁有大內存、相對快速的CPU和輕量級的操作系統，它是我家里最快的計算機。

安裝CUDA、OpenCV和TensorFlow

為了能用你的超酷的深度學習機器，你需要先安裝CUDA和CudNN。的CUDA版本是8.0，CudNN是5.1。從抽象的角度看，CUDA是一個API和編譯器，能讓其他的程序為通用應用使用GPU。而CudNN則是一個庫，主要設計來讓神經網絡在GPU上跑的更快。你需要從英偉達的官網NVIDIA website上下載這兩個軟件。

OpenCV 是一個開源的庫，很多應用使用它來做圖像處理。現在的版本3.1和的CUDA版本不兼容。你可以通過設置CUDA_GENERATION標志成Kepler、Maxwell或是Pascal（取決于你買的GPU型號）來讓他們兼容。下面是下載OpenCV和安裝設置它的命令序列：

git clone https://github.com/opencv/opencv.git

&& cd opencv

&& mkdir build

&& cd build

&& cmake ..

&& make -j3

&& make install

最后，安裝TensorFlow變成了這些天里最簡單的工作。只要按照這個網站上的說明操作就行了。

想看看GPU的支持是不是成功，你可以運行這個TensorFlow的測試程序，或是執行下面的命令：

python -m tensorflow.models.image.mnist.convolutional

這應該能開始運行一個模型而沒有報錯。

有趣的部分來了！

現在你已經花了近1000美元和無數的時間來裝機和裝軟件，是時候回收你的投資啦！GPU讓程序運行的非常快，所有你需要一些能利用這個速度的應用。幸運的是有很多有趣的事情可以干。

實時識別附近的物品

裝一個便宜的USB攝像頭或是帶有攝像頭的樹莓派板子在你家外面。你就能用我在之前的100美元的TensorFlow機器人里所介紹的RPi攝像頭模塊來很容易地制作一個樹莓派派視頻流應用。

YOLO

YOLO包能完成拍攝同時的實時物體識別。用Macbook的話，我發現物體識別需要3到4秒。但用GPU的話，我能得到一個實時的結果，而且準確率是非常高。

按這個YOLO_tensorflow 項目的介紹，可以很容易地使用YOLO模塊運行在TensorFlow上。也可以安裝“Darknet”，這是一個不同的深度學習框架。YOLO最初就是設計來用于它的。

git clone https://github.com/pjreddie/darknet

cd darknet

make

Darknet安裝完后，你可以用下面的命令來讓它處理圖像：

./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg

因為樹莓派攝像頭僅僅只是把文件放到一個Web服務器上，你可以直接讓Darknet去連接那個文件來做實時流里的物體識別。

給你的樹莓派機器人一個增強的大腦

我之前寫的這個《只要100美元的TensorFlow機器人》里，我發現可以在只值30美元的硬件上運行和應用深度學習。不幸的是，最讓我失望的事情是機器人要花好幾秒才能完成物體識別，因此讓機器人做實時的決策就不行了。現在如果機器人用這個新的GPU機器，就不僅僅能做實時物體識別，還能每秒處理大概12-20幀的圖像。

如果你依據我在GitHub上的這個說明，你就能攢一個機器人出來，讓它從攝像頭里獲取容易處理的視頻流。

我的朋友Shawn Lewis教會了我這篇文章里所需的大部分技能，所以我把我的兩個樹莓派機器人拿到了他的辦公室。他和其他很多機器人專家有一個夢想，就是讓機器人能給他們拿啤酒。

如果你仔細看視頻開始部分里的電腦顯示器畫面，就會發現Shawn的這個電腦實際上是用它的GeForce 980顯卡在為兩個機器人拍攝的視頻做實時的物體識別。他宣稱他的這塊顯卡可以同時處理四路視頻輸入而不會內存溢出。

搞點藝術創作

你可以用神經網絡干的好玩的事情之一就是復制谷歌的Deep Dream干的事情。盡管你可以不用GPU也能完成，但會花很長的時間。本質上講，這個事就是修改輸入的圖片來找到神經元里得到較大反饋的圖片，因此這個任務有非常大的計算量。有很多種方式來完成修改，結果一般都非常的詭異和酷。

一個直接能用的很好的教程就是谷歌公開的這個Deep Dream 代碼。

你需要安裝Jupyter notebook服務器（你總是需要的！）和Caffe。

接著按照谷歌的教程把你的朋友的臉插進去。使用這個新的機器，新的圖片只用幾分鐘就出來了，而不是好幾小時。修改出來的圖片是很好玩的。

圖4 我的鄰居Chris Van Dyke和Shruti Gandhi站在我的車庫里，照片被我的Deep Dream程序給涂鴉了一把

圖5 我朋友Barney Pell和他的國際象棋生日蛋糕

圖6 這是我運行Deep Dream程序的機器自己的圖片。看起來像是滿屏都是狗（可能是因為訓練這個模型的ImageNet數據里面都是狗的圖片。ImageNet數據集里面包括了120多種不同的狗）

如果你想搞更瘋狂的事，這里是基于Deep Dream由TensorFlow實現的Neural Style。出來的效果更神奇，你可以在這個腦洞大開的博文里看到部分的成果。

總結

你不需要花好幾千美元來買一個比筆記本快的深度學習機器。自己攢一臺并讓它能運轉正常是很有意思的經歷，而且這個電腦是可升級的。現在我已經把顯卡換成了一個具有相同架構的Titan X，這樣所有的程序都不用再次編譯。

總體來說，賺了。這個機器和亞馬遜的每小時1美元的P2實例跑的一樣快。P2實例用的是K80的顯卡，顯存大一點不過是舊的架構。我主要用這個機器做模型訓練，這也是這么做的主要目的。嗯，這可能成為下一篇博文的題目。

Lukas Biewald

Lukas Biewald是CrowdFlower的創始人兼CEO。CrowdFlower始于2009年，是一個數據增強的平臺，可以幫助企業獲得隨需的人力來收集、產生訓練數據，以及參與人-機器學習循環的工作。 在從斯坦福大學拿到數學學士和計算機科學碩士學位后，Lukas領導了雅虎日本的搜索相關團隊。隨后他去了Powerset，作為一個資深數據科學家進行工作。2008年Powerset被微軟收購。Lukas還被《公司》雜志評選為30位30歲以下的著名人士。 Lukas還是一位專家級的圍棋選手。

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識

QQ群：81035754