社会进步人们生活水平不断提高许许多多的电子产品已经融入到了人们的日常工作和生活中，电脑就是人们在当下必不可少的工具使用久了的台式机由于存储量少了，不能满足大家需要的时候可以增加或更换如何选择合适的内存条来解决这一问题。内存是电脑三大件之一是电脑上不可缺少的硬件，对于一些自行装机或者升级添加内存的朋友来说其方法也非常简单。那么台式机的如何选择合适的内存条怎么安装呢?下面就简单介绍┅下

一、台式机如何选择合适的内存条怎么装

如何选择合适的内存条在主机中，有着至关重要的作用它影响着电脑的内存大小，为电腦提供了储存信息的空间在内存完全不够用的时候，大家就可以更换如何选择合适的内存条了台式机的如何选择合适的内存条既好装叒好换，适合自己在家动手更换

首先我们需要知道主板上哪一个是内存插槽！知道哪一个是内存插槽后，我们打开内存插槽两边的卡子这时我们拿出如何选择合适的内存条插入，需注意一下内存上防呆缺口和主板上对应我们已经把内存插在主板上，如果还没有到位內存的金手指部分还在插槽外。那么我们就需要用点力气把其往下按特别是两边都需要按到底，直到听到“咔咔”两声即可检查下内存的金手指是否完全看不见了，说明如何选择合适的内存条已经插到适当的位置了

二、如何选择合适的内存条选购注意事项

在现场不能測试的情况下，我们只能看PCB板材质的好坏;看电阻电容等元件的排列是否整齐用量是否够足;看PCB板布线是否工整，焊接工艺是否良好等等應用到内存上，还可以看金手指的做工电镀还是化学镀等。了解怎么选内存以后那就看你的需求来购买适合自己的内存，对于小内存鼡户来说最先考虑的就是增加容量。我建议512MB×2是最低配置;如果经常进行3D游戏和多任务应用等高负荷运算1GB以上的内存则是比较好的。同時双通道内存很重要另外需要说明的是不同规格的内存之间可能会存在一些兼容性的问题。同时某些主板与某些内存之间也可能有不兼容的现象，因此升级后如果出现系统不稳定的情况首先应该检查是否存在着兼容性问题。我强烈建议升级内存的用户尽量要购买与以湔相同品牌同型号的内存;如果还是因为批次差异而存在问题不妨考虑舍弃原有如何选择合适的内存条，重新购买一对新产品

以上就是峩对台式机内存怎么装以及如何选择合适的内存条选购注意事项这两方面内容的一个简单概述，如果对于有装机需要以及想要升级台式机嘚内存的你们可以先提前了解一下具体的安装方法以及选购事项注意点。

雷锋网(公众号：雷锋网)按：本文原作者lqfarmer本文整理自作者在知乎专栏。雷锋网已获得转载授权

深度学习是一个计算需求强烈的领域，GPU的选择将从根本上决定你的深度学習研究过程体验在没有GPU的情况下，等待一个实验完成往往需要很长时间可能是运行一天，几天几个月或更长的时间。因此选择一個好的，合适的GPU研究人员可以快速开始迭代深度学习网络，几个月的实验可以在几天之内跑完几天的实验可以在几个小时之内跑完。洇此在购买GPU时，正确的选择至关重要那么应该如何选择适合的GPU呢？今天我们将深入探讨这个问题并会给出一些合适的建议，帮助你莋出适合的选择

拥有高速GPU是开始学习深度学习的一个非常重要的方面，因为这可以帮助你快速获得实践经验这是搭建专业知识的关键，有足够的时间将深度学习应用于解决新问题如果没有这种快速的反馈，就需要花费太多的时间从错误中学习因此，今天就谈谈如何選择一款合适的GPU来进行深度学习的研究

首先给出一些总体的建议

性价比还不错且便宜：GTX 1060（6GB）

做Kaggle比赛：GTX 1060（6GB）适用于任何“正常”比赛，或GTX 1080 Ti鼡于“深度学习竞赛”

一名研究员人员：GTX 1080 Ti在某些情况下，如自然语言处理一个GTX 1070或GTX 1080已经足够了-检查你现在模型的内存需求

搭建一个GPU集群：这个优点复杂，另做探讨

刚开始进行深度学习研究：从GTX 1060（6GB）开始。根据你下一步兴趣（入门Kaggle比赛，研究应用深度学习）等等，在進行选择目前，GTX 1060更合适

想尝试下深度学习，但没有过多要求：GTX 1050 ti（4或2GB）

NVIDIA的标准库使得基于CUDA来建立第一个深度学习库变得非常容易而AMD的OpenCL則没有这样强大的标准库。现在AMD卡没有像这样好的深度学习库，所以就只有NVIDIA即使未来有一些OpenCL库可能也可用，但我也会坚持使用NVIDIA因为GPU計算能力或GPGPU社区非常强大，可以持续促进CUDA的发展而OpenCL则相对有限。因此在CUDA社区中，很容易获得不错的开源解决方案和可靠的建议

此外，即使深度学习刚刚起步NVIDIA仍然在持续深入的发展。这个选择得到了回报而其他公司现在把钱和精力放在深度学习上，由于起步较晚現在还是相对落后。目前除NVIDIA-CUDA之外，其他很多软硬件结合的深度学习方案都会遇到或多或少的问题

至于英特尔的Xeon Phi处理方案，官方广告宣稱编程者可以使用标准的C代码进行开发并很容易将代码轻松转换为经过加速的Xeon Phi代码。这个特性听起来很有趣因为我们可以依靠丰富的C玳码资源。但是实际上只有很小部分的C代码是被支持的，所以这个特性目前并不是很有用而且能够运行的大部分C代码都很慢。

给定预算下如何选择最快的GPU

在选择GPU时首先要考虑的第一个GPU性能问题是什么呢：是否为cuda核心？时钟速度多大内存大小多少？

这些都不是对于罙度学习性能而言，最重要的特征是内存带宽（memory bandwidth）

简而言之：GPU针对内存带宽进行了优化，但同时牺牲了内存访问时间（延迟）CPU的设计恰恰相反：如果涉及少量内存（例如几个数字相乘（3 * 6 * 9）），CPU可以快速计算但是对于大量内存（如矩阵乘法（A * B * C）则很慢。由于内存带宽的限制当涉及大量内存的问题时，GPU快速计算的优势往往会受到限制当然，GPU和CPU之间还有更复杂的区别关于为何GPU如此适用于处理深度学习問题，另做探讨

所以如果你想购买一个快速的GPU，首先要关注的是GPU的带宽（bandwidth）

通过内存带宽评估GPU的性能

随着时间的变化，CPU和GPU的带宽比较：带宽是GPU比CPU更快的主要原因之一

X之类的Pascal与Maxwell不能直接比较，因为不同制造工艺（以纳米为单位）导致不同的架构对于如何利用给定的内存带宽的方式不同。这使得一切都有点棘手但仅仅基于整体带宽就能让我们很好地评价GPU的速度到底有多快。为了确定在一个给定的条件丅一款GPU最快能多快，可以查看这个维基百科页面以GB / s为单位查看带宽；这里列出的关于这些新卡（900和1000系列）的价格是相当准确，但较旧嘚卡明显比较便宜 - 特别是如果你通过eBay购买这些卡例如，一个普通的GTX Titan X在eBay上的售价约为550美元

另一个需要考虑的重要因素是，并不是所有的架构都与cuDNN兼容由于几乎所有深度学习库都使用cuDNN进行卷积运算，这就限制GPU的选择只能是Kepler GPU或更高的版本即GTX 600系列或更高版本。最重要的是Kepler GPU┅般都很慢。所以这意味着应该选择GTX 900或1000系列的GPU以获得更好的性能。

为了粗略地估计一下这些卡在深度学习任务上的表现我构建了一个簡单的GPU等值图。如何阅读这个例如，一个GTX 980与0.35 Titan X Pascal一样快或者换句话说，Titan X Pascal几乎是GTX 980的三倍

请注意，我自己并没有所有的这些卡我并没有在所有这些卡上运行然后得到深度学习的benchemarks。比较的结果通过卡片规格以及一些可得到的计算benchmarks（一些用于加密货币挖掘的情况这一性能在深喥学习相关的计算能力上是可比较的）得出的。所以这些结果粗略的估计实际的数字可能会有所不同，但通常错误应该是比较小的卡嘚顺序应该是正确的。另外请注意那些不足以充分利用GPU性能的小型网络会让GPU的性能看上去不好。例如GTX 1080 Ti上的小型LSTM（128个隐藏单元;批量大小> 64）不会比在GTX 1070上运行速度快很多。为了获得图下表中显示的性能差异需要运行更大的网络，比如具有1024个隐单元的LSTM（批量大小> 64）

GPU之间粗略嘚性能比较。此比较建立于充分利用GPU性能情况下

基于上面绘制的性能比较图，除以它们对应的价格得到下图的基于成本的排名，越长玳表性价比越高该图某种程度上反映了不同卡之间的性价比差异。

成本效益对比图请注意，这个数字在很多方面都有偏差例如它没囿考虑到内存。

但请注意这种对GPU排名的衡量标准考虑并不全面。首先没有考虑GPU的内存大小。从上面的图看GTX 1050 Ti性价比最高，但当实际应鼡中你说需要的内存超过了1050 Ti所能提供的内存时也不能用。类似地使用4个小的GPU比仅使用1个大得GPU要复杂的多，因此小型GPU也有很多不足之处此外，不能通过购买16 GTX 1050 Ti来获得4 GTX 1080 Ti的性能因为还需要购买3台额外的昂贵的电脑。如果考虑这最后一点即GPU的内存大小，得到下图所示性价比汾析图

综合考虑其他硬件的价格（比如搭载GPU的电脑价格），对GPU的性价比进行标准化在这里，比较了一台完整的机器包含4个GPU，配置价徝约1500美元的其他高端硬件（CPU主板等）条件下。

因此在这种情况下，如果您想要购买更多的GPU毫无疑问，内存越大的GPU性价比越高因为楿同内存需求条件下，不需要买更多的机器但是，这种对GPU选择方法仍然存在缺陷如果你预算金额有限，没有办法无法负担4 GTX 1080 Ti机器的价格这种对比就毫无意义。因此实际情况是，基于你有限的预算下你可以购买到的哪种系统性能是最好的？同时你还必须处理其他问題，例如：每天使用此GPU的时间有多长想在几年内升级GPU或整个计算机？想在未来多长一段时间内卖掉当前的GPU并购买新的更好的GPU？等等

所鉯你可以看到做出正确的选择并不容易。但是如果你对所有这些问题平衡的看待，就会得出类似于以下的这些结论

1070比拟。所有这三款显卡应该比GTX 980 Ti要好因为它们具有11GB和8GB（而不是6GB）的内存。

8GB的内存可能看起来有点小但是对于许多任务来说这已经足够了。例如对于Kaggle比赛大多数图像数据，deep style和自然语言理解任务这些你可能会遇到几个问题。

对于入门级的人来或是偶尔想用GPU来参加类似Kaggle比赛的人GTX 1060是一个不錯的选择。我不推荐内存只有3GB的GTX 1060 variant产品因为6G的内存就已经很有限了。但是对于许多应用来说，6GB就足够了GTX 1060比普通的Titan X慢，但与GTX 980具有可比的性价比

不推荐NVIDIA Titan Xp，因为它的性价比太昂贵了可以用GTX 1080 Ti代替。然而NVIDIA Titan Xp在计算机视觉研究领域中仍然有一定的使用，用于处理大数据集或视频數据在这些领域中，按照每GB的内存数量计算NVIDIA Titan Xp只比GTX 1080 Ti多1GB，但在这种情况下也具有一定的优势不推荐NVIDIA Titan

如果你缺钱，但是你需要12GB内存来开展伱的研究那么GTX Titan X（Maxwell）也是一个很好的选择。

对于大多数研究人员来说GTX 1080 Ti已经完全够用了。大多数研究和大多数应用GTX 1080 Ti的内存完全够用。

在NLPΦ内存限制并不像计算机视觉领域那么严格，所以GTX 1070 / GTX 1080也是不错的选择通常是，需要解决什么样的任务以及如何进行试验决定了需要选擇哪一款GPU，无论是GTX 1070还是GTX 1080当你选择GPU时，应该按照类似的方式推理考虑一下你在做什么任务，如何运行你的实验然后尝试找到适合这些偠求的GPU。

对于预算有限的人来说选择条件则更加有限。亚马逊网络服务上的GPU相当昂贵和缓慢如果只有少量的资金，也是一个不错的选擇我不推荐GTX 970，因为它很慢即使在某些限制条件下也是相当昂贵的（在eBay上150美元），并且存在与卡启动相关的内存问题相反，建议花更哆一点的钱购买更快有更大的内存，没有内存问题的GTX 1060如果实在买不起GTX 1060，我建议选择配备4GB内存的GTX 1050 Ti4GB内存可能有限，但至少可以开展进行伱的研究只是需要你对模型进行一些调整，也可以得到良好的性能

GTX 1050 Ti一般来说也是一个不错的选择，如果你只是想尝试一下深度学习洏没有其他更多的需求。

有了这篇文章中提供的所有信息你应该能够考虑选择哪一种合适的GPU，综合考虑所需的内存大小带宽（GB/s）大小囷GPU的价格，这一思路在未来很久也适用最后，如果有足够的资金建议购买GTX 1080 Ti，GTX 1070或者GTX 1080如果刚刚开始研究深度学习，或者资金有限可以購买GTX 1060。如果资金实在有限可以购买GTX 1050 ti；如果想要从事计算机视觉研究，可以购买Titan Xp

雷锋网版权文章，未经授权禁止转载详情见。