UltraLAB GXM让大家能用的起的AI超级异构计算机

市场上用于深度学习的训练计算机大致情况如下（1）服务器/工作站（支持2、4、8块GPU架构）：普遍存在噪音大，无法放置于办公环境，必须聚刁擞蛔放到专门的机房，维护成本高，另外数据存储带宽、延迟、容量也不尽如意。（2）分布式集群架构：性能强大，但是开发成本太高，是大多数科研单位无法承受。（3）大部分GPU计算机(服务器/工作站），重点都放在GPU卡数量上，似乎只要配上足够GPU卡，就可以了。然而，机器硬件配置还需要整体均衡，不同的学习框架更需要不同GPU卡去适配。针对目前深度学习应用计算特点，UltraLAB图灵工作站再添新成员--GX480M和GX610M。

工具/原料

深度学习所需的软件

UltraLAB GXM图灵工作站

深度神经网络计算特点与硬件配置分析

1、数倌栗受绽据存储要求：做深度学习首先需要一个好的存储系统，将历史资料保存起来。主要任务：历史数据存储，如：文字、图像、声音、视频、数据字羿岚寺库等。。。性能要求：a.数据容量：提供足够高的存储能力b.读写带宽：多硬盘并行读写架构提高数据读写带宽c.接口：高带宽，同时延迟低传统解决方式：专门的存储服务器，借助万兆端口访问缺点：带宽不高，对深度学习的数据读取过程时间长(延迟大，两台机器之间数据交换)，成本高UltraLAB解决方案：将并行存储直接通过PCIe接口，提供最大16个硬盘的并行读取，数据量大并行读取要求高，无论是总线还是硬盘并行带宽，都得到加大提升，满足海量数据密集io请求和计算需要

2、CPU要求：CPU的主要任务（1）数据从秽颢擤崮存储系统调入到内存的解压计算（2）GPU计算前的数据预处理（3）运行在代码中写入并读取变量执行指令，如函数调用启动在GPU上函数调用，创建小批量数据启动到GPU的数据传输（4）GPU多卡并行计算前，每个核负责一块卡的所需要的数据并行切分处理和控制（5）求解后数据保存前的压缩计算 上述每一类操作基本都是单核计算模式， 如果要加速这些过程，唯有提升CPU频率 传统解决方式：CPU规格很随意，核数和频率没有任何要求UltraLAB合理推荐：a.CPU频率：越高越好b.CPU三级缓存：越大越好c.CPU核数：比GPU卡数量大（原则：1核对应1卡，核数要有至少2个冗余）

3、GPU要求：主要任务：承担深度学习的数据建模计算、运行复杂算法传统架构：提供1~8块GPUUltra讣嘬铮篌LAB合理推荐：a.数据带宽：PCIe8x 3.0以上b.数据容量：显存大小也很关键c.计算匹配：CPU核-GPU卡 1对1d.GPU卡加速：多卡提升并行处理效率

4、内存要求主要任务：存放预处理的数据，待GPU读取处理，中间结果存放UltraLAB合理推荐：a.数据带宽最大化：单Xeon E5v4 4通道内存，双Xeon E5v4 8通道内存，内存带宽最大化 b.内存容量合理化：大于GPU总显存

UltraLAB GXM图灵计算工作站介绍与配置推荐

1、目前提供两种机型：GX480M和GX610M

2、GX480M技术规格一览表

3、GX610M技术规格一览表