AI 加速器自学组装指南（一）──基本架构
▼
随着人工智慧议题越来越热门，越来越多人开始投入 Python 或 R 语言的学习，且透过各种强大的开源套件如 Tensorflow、Keras 、Caffe、Torch、Scikit-learn，大幅降低了我们进入机器学习及深度学习的门槛。不少初心者想问，该使用怎样的硬件环境才能加速训练资料的时间？如果你或你的公司打算建构一个 AI 运行环境，本文或许能带给大家一点帮助，少走点冤枉路；也欢迎有经验的你，在文章下面留言给予大家更多建议。
笔者公司开展了几个 AI 专案，有幸从头到尾参与了AI server 的选择、设定、测试、执行，从用 i5 CPU 优化、1050、1080Ti 到 NVIDIA 最顶规的 P100，当中问了一些强者也爬了不少文，这篇文章试图收敛下当初挑选的守则，当做小小的回报。AI 世界软硬件神人太多，期望抛砖引玉激起更多讨论，也欢迎强人不吝指教。
当跑深度学习（DL）、机器学习（ML）实验，模型太大、层数或神经元过多， 一般电脑可能需要花半天、数天甚至以周为单位才能完成，或者发现错误。对公司而言，效率不彰绝对不是件好事；对初学者而言，trial and error 来来回回的时间过长，其实很容易感到挫折，如果能加速实验进程，快速得到回馈并修正，对于这领域的学习与研究也会有较快的进展。
如何为自己的模型加速？
如果你是个初踏入 ML、DL 的初心者，学会 Python/R 不久，想试着建构模型，微软设置了 Azure Machine Learning Studio 这个平台，使用介面相当直觉，也可以直接套用微软本身提供的演算法模组修改参数就好，可以轻松将模型建置起来。而亚马逊、Google 也提供类似的服务。
- Azure Machine Learning Studio
- Amazon Machine Learning 入门
- Google Cloud Machine Learning
如果你的模型并非图像辨识相关，有没有显卡加速对你而言其实关系不大。加以，若你使用的语言是 Python 及英特尔的 CPU，英特尔推出加速库“Intel Distribution for Python”，其实就能得到不错的提升。前英特尔高级工程师 James Reinders 先前还出来背书，使用四核心 i5 的 iMAC，透过加速库效能提升了 20 倍。
但如果你跑的是 CNN 、RNN、 Reinforcement Learning 等 neural network 模型，苦于模型运算庞大，或想参加Kaggle、WebVision 一类竞赛（很可惜今年 ImageNet 是最后一届），这篇文章或对你有所帮助。
如果是要自己组来玩玩，让你的实验模型跑得动、可以参加竞赛，价格差不多在台币 5~10 万元之间可以搞定，这个价格不是绝对，现有设备规格、预算、模型大小……都是变动因素，甚至你不需要重新组台电脑，只需要加张显卡就已够用。
GPU 加速该怎么挑？
目前在跑 CNN 使用 GPU 加速一般多直接选择 NVIDIA 显卡，倒非 AMD 效能较差，而是 NVIDIA 的 CUDA 在软硬、CPU / GPU 整合上做了不少努力，CPU / GPU 原始码的转换用 C 或 C++ 就可以上手，较不需要复杂的转换和修改，对许多新手玩家而言，入门门槛较 AMD 采 Open CL 低一点。
在预算有限的情况下，买一张 20 万的 P100 来跑你的模型，未必是唯一的选择，到底如何挑选一张最符合效益的显卡？
先讲 RAM，基本上 3GB RAM 绝对不够，如果参加一些 Kaggle 等常规竞赛，6GB RAM 其实就已足够。但 GPU 最重要的还是看其记忆体频宽（Memory Bandwidth）与 GFLOPs。
记忆体频宽决定了 GPU 输出效率，记忆体频宽为时脉与介面频宽的乘积。简单来说，时脉就像水流速度，介面频宽是水管的宽窄，而在一定时间内水管通过的水流量就是记忆体频宽，如果记忆体频宽不够，即便记忆体容量（水桶）再大，也是徒然。对平行运算而言，记忆体频宽尤其重要，而这点，GPU 比 CPU 优秀得多，也是为什么平行运算多拿 GPU 加速的原因。
除了直接看时脉、介面频宽来检视记忆体频宽，维基其实查得到 NVIDIA 与 AMD 所有 GPU 的公版设定与测试数值，透过这两张表检视显卡的参数，其实一目了然。
- List of Nvidia graphics processing units
- List of AMD graphics processing units
GFLOPs 代表显卡的运算速度，从部落客 Guanghan Ning’s 整理的列表，可看出以 Giga 为单位，NVIDIA 系列显卡，每秒最高可进行的浮点运算次数性价比，基本上，1080 或 1070 系列 C/P 值其实相当不错。
（Source：Guanghan Ning）
对 GPU 的挑选守则曾在 Kaggle 取得名次的 Tim Dettmers，撰写了一篇文章《Which GPU(s) to Get for Deep Learning》（中译版本）写了他试过 NIVDIA 甚至英特尔 Xeon Phi 为加速器的经验，以及 NIVDIA 各产品线 GPU 的详细比较，或许会给你更多灵感。
软硬整合才是大关键
显卡的选择除了单看硬件规格，更重要的还要看你选择的平台，是否与显卡最适配，无论你先决定显卡还是平台，绝对都要考虑到适配问题。香港浸会大学副教授褚晓文为首的团队，对于 TensorFlow、Caffe、Torch、CNTK 等深度学习框架做了性能测试报告，可看出在 i7、E5、GTX 980/1080、Tesla K80 等硬件环境下，不同 batch size、不同模型的加速状况，如果你是跑图像 model，可参考 alexnt 的测试结果，文字 model lstm 则是一个不错的参考依据。除了平台、和硬件的适配，显卡跟主机板 PCIe 合不合也需注意。
（Source：香港浸会大学）
文末会附上我们成功架设的软硬件规格供参考，一起在 AI 路上精进，在这场科技盛会插上一脚，并期望有朝一日，看见它开花、结果。
附录：AI 使用的 DIY PC 配备表
平价版（使用 NVIDIA 1080 Ti 加速）
顶规版（使用 NVIDIA Tesla P100加速）
▼
特别声明 本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。
