※ 引述《yoyololicon (十年魔乃粉)》之銘言：
: 乳題
: 最近想組個機器跑些DL的project
: 因為是自己玩玩的性質，所以都找些二手零件壓成本
: 用的是四代平台4790S + 8G 1866 x4，電供650w
: 最重要的顯卡預算大概是15k上下
: 目前最符合條件的感覺就3070
: 不過以前在學校跑DL的經驗，有兩顆gpu跑平行會快很多
: 所以想乾脆用兩隻1660S來組，記憶體還可以上到12G
: 但是就沒有Tensor core可以玩了qq，也不確定這樣組的效能是否可以追上3070
: 還請版友給個建議
最近版上出現一些深度學習配單，覺得有一些心得可以分享，省的走冤枉路
就來回一下舊文，我最後拿3070喇
先說結論，3060 cp值最高唯一推薦，再上去建議直接攻頂3090
大部分人買顯卡都很關心效能，所以我看到有些人會拿3070, 3060ti上來問
但是跑深度學習除了效能以外，VRAM大小以及資料讀取的IO時間都會影響training效率
VRAM影響能跑得模型大小、類型，或是能一次塞入的資料量，可以想成和運算量成正比；
而資料讀取的時間影響你能在多短的時間內拿到可以訓練的資料
從我去年11月買了3070後，這之間多多少少訓練過一些模型，算是有一些心得
觀察下來其實大部份的時間3070很難完全跑滿，看模型類型，有時甚至30,40%而已
為什麼沒有跑滿？因為卡在資料進來的速度，跟CPU，硬碟和主機板比較有關
但只要組的等級有到基本差別不大
而且這是已經優化過資料讀取的pipeline後的結果
沒辦法，只好增加顯卡的運算量，看能不能善用這些idle的時間
但這時就會發現，8 Gb的VRAM根本就小氣到不行，一下就塞滿了
相比之下，3060 12Gb就很值，雖然效能較差，但以3070完全效能過剩的表現來看
更有機會能發揮100%的效能
舉個實際的例子，小弟最近參加了一個跟AI相關的比賽，很幸運的撈到了銅牌
https://github.com/yoyololicon/music-demixing-challenge-ismir-2021-entry
其中一部分的模型就是用3070練出來的
為了讓GPU跑到滿，自己改了一個dataloader加速資料讀取速度、使用混合精度訓練
節省記憶體、將資料preprocessing改寫移植到GPU上讓它多一些運算
做了這麼多改動才好不容易讓GPU能跑在95% Orz
而且為了跑到預定的batch size大小，還得做gradient accumulation
如果有大VRAM就可以train比較無腦一些
大概醬