如何区分GPU服务器和普通服务器？

GPU服务器和普通服务器的区别在于GPU服务器具有GPU（图形处理器）加速，而普通服务器通常只有CPU（中央处理器）。以下是几个区分GPU服务器和普通服务器的因素：

硬件配置：GPU服务器通常具有多个高端GPU卡，而普通服务器则通常只有一个或几个CPU。此外，GPU服务器通常具有更高的内存容量和更快的存储设备，以便处理和存储大量数据。

应用场景：GPU服务器通常用于计算密集型的任务，例如深度学习、机器学习、数据挖掘和科学计算等需要大量矩阵运算和并行计算的应用。而普通服务器则更适用于处理数据传输、存储和其他一般性任务。

性能：由于GPU服务器具有GPU加速，因此其性能通常比普通服务器更高，尤其是在处理大量数据和进行大规模计算时。GPU服务器可以利用GPU的并行计算能力，加速许多复杂的计算任务。

价格：由于GPU服务器的配置和性能比普通服务器更高，因此其价格也通常更高。GPU服务器可能需要更多的电力和散热，因此它们也可能更昂贵。因此，在购买GPU服务器之前，需要考虑你的预算和实际需求。

总的来说，GPU服务器和普通服务器有很多不同之处，主要是在硬件配置、应用场景、性能和价格等方面。你需要根据自己的需求和预算，选择最适合的服务器类型。

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理等多个领域都取得了卓越的成果，可见其重要性

熟悉深度学习的人都知道，深度学习是需要训练的，所谓的训练就是在成千上万个变量中寻找最佳值的计算。这需要通过不断的尝试识别，而最终获得的数值并非是人工确定的数字，而是一种常态的公式。通过这种像素级的学习，不断总结规律，计算机就可以实现像人一样思考。因而，更擅长并行计算和高带宽的GPU，则成了大家关注的重点。

很多人认为深度学习GPU服务器配置跟普通服务器有些不一样，就像很多人认为做设计的机器一定很贵一样。其实只要显卡或者CPU满足深度学习的应用程序就可以进行深度学习。由于现在CPU的核心数量和架构相对于深度学习来说效率会比GPU低很多，所以大部分深度学习的服务器都是通过高端显卡来运算的。

这里谈谈关于深度学习GPU服务器如何选择，深度学习服务器的一些选购原则和建议：

1、电源：品质有保障，功率要足够，有30~40%冗余

稳定、稳定、还是稳定。一个好的电源能够保证主机再长时间运行不宕机和重启。可以想象一下，计算过程中突然重启，那么又要重来，除了降低效率，还影响心情。有些电源低负载使用的时候可能不出问题，一旦高负载运行的时候就容易出问题。选择电源的时候一定要选择功率有冗余品质过硬，不要功率刚刚好超出一点。

2、显卡：目前主流RTX3090,最新RTX4090也将上市

显卡在深度学习中起到很重要的作用，也是预算的一大头。预算有限，可以选择RTX3080 /RTX3090/RTX4090(上月刚发布，本月12日上市)。预算充足，可以选择专业深度学习卡Titan RTX/Tesla V100 /A6000/A100/H100（处于断供中）等等。

3、CPU：两家独大，在这要讲的是PC级和服务器级别处理器的定位

Intel的处理器至强Xeon、酷睿Core、赛扬Celeron、奔腾Pentium和凌动Atom5个系列，而至强是用于服务器端，目前市场上最常见的是酷睿。当下是第三代Xeon Scalable系列处理器，分为Platinum白金、Gold金牌、 Silver 银牌。

AMD处理器分为锐龙Ryzen、锐龙Ryzen Pro、锐龙线程撕裂者Ryzen Threadripper、霄龙EPYC，其中霄龙是服务器端的CPU，最常见的是锐龙。当下是第三代 EPYC（霄龙）处理器 ，AMD 第三代 EPYC 7003 系列最高 64核。

选择单路还是双路也是看软件，纯粹的使用GPU运算，其实CPU没有多大负载。考虑到更多的用途，当然CPU不能太差。主流的高性能多核多线程CPU即可。

4、内存：单根16G/32G/64G 可选，服务器级别内存有ECC功能，PC级内存没有，非常重要

内存32G起步，内存都是可以扩展的，所以够用就好，不够以后可以再加，买多了是浪费。

5、硬盘：固态硬盘和机械硬盘，通常系统盘追求速度用固态硬盘，数据盘强调存储量用机械盘

固态选择大品牌企业级，Nvme或者SATA协议区别不大，杂牌固态就不要考虑了，用着用着突然掉盘就不好了。

6、机箱平台：服务器级别建议选择超微主板平台，稳定性、可靠性是第一要求

预留足够的空间方便升级，比如现在使用单显卡，未来可能要加显卡等等；结构要合理，合理的空间更利于空气流动。最好是加几个散热效果好的机箱风扇辅助散热。温度也是导致不稳定的一个因素。

7、软硬件支持/解决方案：要有

应用方向：深度学习、量化计算、分子动力学、生物信息学、雷达信号处理、地震数据处理、光学自适应、转码解码、医学成像、图像处理、密码破解、数值分析、计算流体力学、计算机辅助设计等多个科研领域。

软件： Caffe, TensorFlow, Abinit, Amber, Gromacs, Lammps, NAMD, VMD, Materials Studio, Wien2K, Gaussian, Vasp, CFX, OpenFOAM, Abaqus, Ansys, LS-DYNA, Maple, Matlab, Blast, FFTW, Nastran等软件的安装、调试、优化、培训、维护等技术支持和服务。

————————————————

版权声明：本文为CSDN博主「Ai17316391579」的原创文章，遵循CC 40 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：>

之前滴滴云GPU服务器价格不错，但是滴滴云目前半死不活的状态，GPU服务器很久之前就售罄了，之前购买滴滴云GPU服务器使用AI大师码1717还能另外享受一个9折优惠，但是无奈，官方无库存了。
来说说主流云厂商阿里云和腾讯云吧，目前阿里云和腾讯云GPU服务器均有活动，看起来还是腾讯云GPU服务器价格比较划算，腾讯云百科来详细说下二者的GPU服务器配置及报价：
阿里云GPU服务器优惠价格
活动：阿里云服务器官方优惠活动中，有GPU服务器提供，可选GPU云服务器gn5、GPU云服务器gn6i、GPU云服务器gn5i和GPU云服务器gn6v，目前购买可享受4折优惠，不只是以上配置，GPU实例规格可选多种CPU内存配置，大家可以直接移步阿里云官网活动查看GPU服务器配置及精准报价

CPU：
首先确认您的模型是否需要CPU的计算力
深度学习训练，4GPU主流配置10核CPU，8GPU建议配置12核以上
内存：
显存的总和再加32G基本能满足需求（如4卡3090显存总和为96G，加32G等于128G）
硬盘：
机械盘不能满足大部分模型数据读取，推荐480G SSD做为系统盘，热数据用SSD存储，冷数据用机械盘
GPU：
Geforce系列可用于深度学习，Tesla系列 深度学习 高性能计算，Quadro系列绘图渲染
选择GPU服务器的配置不同、性能不同，价格自然不一样，你可以去官网了解一下

选择GPU服务器时首先要考虑业务需求来选择适合的GPU型号。在HPC高性能计算中还需要根据精度来选择，比如有的高性能计算需要双精度，这时如果使用P40或者P4就不合适，只能使用V100或者P100；同时也会对显存容量有要求，比如石油或石化勘探类的计算应用对显存要求比较高；还有些对总线标准有要求，因此，十次方平台建议您选择GPU型号要先看业务需求。
当GPU型号选定后，再考虑用什么样GPU的服务器。这时我们需要考虑以下几种情况：
第一、 在边缘服务器上需要根据量来选择T4或者P4等相应的服务器，同时也要考虑服务器的使用场景，比如火车站卡口、机场卡口或者公安卡口等；在中心端做Inference时可能需要V100的服务器，需要考虑吞吐量以及使用场景、数量等。
第二、 需要考虑客户本身使用人群和IT运维能力，对于BAT这类大公司来说，他们自己的运营能力比较强，这时会选择通用的PCI-e服务器；而对于一些IT运维能力不那么强的客户，他们更关注数字以及数据标注等，我们称这类人为数据科学家，选择GPU服务器的标准也会有所不同。
第三、 需要考虑配套软件和服务的价值。
第四、要考虑整体GPU集群系统的成熟程度以及工程效率，比如像DGX这种GPU一体化的超级计算机，它有非常成熟的 *** 作系统驱动Docker到其他部分都是固定且优化过的，这时效率就比较高。

---