نحوه ایجاد ریگ یادگیری عمیق: یک راهنمای سخت افزاری کامل.

rig

این وبلاگ برای کسانی است که می خواهند ریگ یادگیری عمیق خود را ایجاد کنند اما از روند آن هراس دارند.

به عنوان راهنمایی برای مواردی است که باید مطلقاً بررسی کنید تا مطمئن شوید که برای ایجاد ریگ یادگیری عمیق خود آماده هستید یا خیر. و به طور تصادفی سخت افزار گران قیمتی را خریداری نکنید که بعدا نشان داد ناسازگار است و مشکلی ایجاد می کند. اما قبل از اینکه حتی شروع کنیم …

آیا واقعاً به یادگیری ریگ احتیاج دارید؟

هنگامی که من شروع به یادگیری ریگ یا یادگیری ماشین کردم، به طور جدی چیزی که پیش روی من قرار گرفت محاسبات بود.

هم اکنون امکانات زیادی مانند رایانش ابری در اختیار شما قرار دارد و نیاز نیست که برای سیستم شخصی خود برای یادگیری ریگ هزینه کنید که ممکن است مدتی بعد منسوخ شود.

اما استفاده از ریگ یادگیری عمیق محلی ارزان تر، سریعتر و آسان تر از مراجعه به ابر در طولانی مدت است.

بنابراین ، بیایید ماشین یادگیری عمیق خود را ایجاد کنیم.

اول، اگر شما شخص DIY نیستید و به دنبال یک سیستم یادگیری ریگ از قبل ساخته شده هستید، من ایستگاه های کاری یادگیری عمیق Exxact را توصیه می کنیم که از پردازنده گرافیکی NVIDIA RTX 2080 Ti ، Tesla V100 ، TITAN RTX یا RTX 8000 پشتیبانی می کنند و دارای گارانتی 3 ساله هستند. ایستگاه های کاری آنها از 5899 دلار شروع می شود.

جدول محتویات:

  • CPU
  • Storage solution
  • Motherboard
  • A Cooling Solution
  • Case
  • RAM
  • PSU
  • GPU
  • Monitor and Keyboard
  • Installing OS
  • Final Thoughts

References

با توجه به اینکه این روزها بیشتر مدلهای یادگیری ریگ روی GPU اجرا می شوند، استفاده از CPU عمدتا برای پیش پردازش داده است. اگر شما مرتباً با داده ها در اندازه GB کار می کنید و اگر در قسمت تجزیه و تحلیل و جستجوی اطلاعات بیشتر فعال هستید، باید پرس و جوهای زیادی انجام دهید، توصیه می کنم روی یک CPU

خوب سرمایه گذاری کنید.

در غیر اینصورت سرمایه گذاری در یک CPU متوسط ​​هیچ ضرری نخواهد داشت زیرا CPU در حالی که GPU در حال انجام آموزش است فقط به برنامه ریزی دسته ای و سایر فرآیندهای کوچک کمک می کند.

سری threadripper از AMD بسیار قدرتمند است و عملکرد بالایی را با قیمت مناسب ارائه می دهد. من سراغ Threadripper 1900x ، 8 هسته CPU با 16 رشته رفتم.

ذخیره سازی:

سه گزینه موجود عبارتند از:

  • HDD (هارد دیسک)
  • SSD (درایو حالت جامد)
  • NVME SSD (حافظه غیر فرار حافظه)

دیسک سخت یک دیسک مغناطیسی چرخان است که روی آن بیت هایی نوشته و خوانده شده است. از آنجا که مکانیکی و کاملاً موتوری است، عملکرد آن کند است، فضای بسیار بیشتری را اشغال می کند و مستعد آسیب به داده ها و خرابی آن است.

SSD: کوچک، سریع و بدون هیچ گونه قسمت متحرک هستند. کمی گران تر است. مطمئناً در تجربه کلی مهم است. سیستم عامل هنگام بارگیری در بالای حافظه SSD مانند کره نرم می شود. هنگامی که در یادگیری ریگ تقریباً با GB داده سرو کار دارید، انتقال داده ها سریع انجام می گیرد. اسلات SATA 3 با درایورهای AHCI حداکثر انتقال 600 Mbps را به شما می دهد.

NVMe SSD: به جای استفاده از گذرگاه SATA ، از PCIe استفاده می شود که عملکرد بالایی دارد. همچنین، پروتکل انتقال استفاده شده AHCI نیست بلکه NVMe است و پردازش موازی بسیار کارآمدی را ارائه می دهد. در پایان ، ما در اینجا 2-3 گیگابایت بر ثانیه صحبت می کنیم. تعداد از مدل به مدل دیگر متفاوت است. این هنوز فناوری جدیدی است و برای آنچه ارائه می دهند بسیار گرانتر از SSD است. شما به سختی می توانید نسبت به SSD های معمولی به افزایش عملکرد در سیستم عامل با SSD های NVME پی ببرید و زمان انتظار برای انتقال پرونده بسیار کمتر خواهد بود. همچنین، NVMe به معنای اطمینان از وجود اسلات m2 در مادربرد است که با توجه به نداشتن اسلات قدیمی، قیمت آن را نیز افزایش می دهد.

اینتل با حافظه Optane دارای ترانزیستورهای نقطه ای متقابل 3D است که عملکرد و چگالی بیشتری دارند.

deep learning

مادربرد:

همانطور که مشاهده می کنید اندازه های مختلفی دارند. اندازه های استاندارد که می توانید نوع مورد نظر خود را انتخاب کنید.

طبق نیاز خود، در یک مادربرد مشخص می توانید تعداد موارد زیر را بررسی کنید:

  • اسلات های DIMM برای RAM
  • اسلات PCIe برای پردازنده های گرافیکی
  • اسلات M2 برای NVMe SSD (اگر به زودی از آن استفاده می کنید)
  • در صورت نیاز تاندربولت 3 / USB 3.0 / 2.0.
  • پورت های SATA برای SSD ها

خوب است که اسلات های اضافی برای ارتقا در آینده داشته باشید. افراد معمولا سیستم خود را به RAM بالاتر ارتقا می دهند و همچنین در آینده چندین GPU اضافه می کنند. انتخاب از فردی به فرد دیگر تغییر خواهد کرد.

deep learning

خنک کننده GPU:

خنک کننده GPU داخلی است و با GPU شما از جعبه خارج می شود. دو پیکربندی عبارتند از:

  • کولرهای هوای آزاد
  • کولرهای سبک دمنده

از آنجا که کولرهای هوای آزاد هوا را به همه جهات پرتاب می کند و حداکثر 3 فن دارد، برای PC تک GPU بهتر هستند و همچنین نتایج بهتر اورکلاک را به همراه دارند. این مسئله در سیستم چند GPU به یک مشکل تبدیل می شود.

هوای خارج شده توسط یک پردازنده گرافیکی توسط سایر پردازنده های گرافیکی مصرف می شود، درجه حرارت آنها را افزایش می دهد و این روند به صورت حلقه ای ادامه می یابد تا زمانی که کل سیستم به دمای بسیار بالا برسد.

بنابراین در یک پیکربندی چند GPU، حالت دمنده بهتر است زیرا گرما را از جعبه PC خارج می کند و هوای تازه وارد GPU می شود.

خنک کننده مایع نیز وجود دارد اما مستلزم باز کردن GPU و نصب آن برای جدا کردن سخت افزار است، که خطرناک است و همچنین ضمانت نامه را باطل می کند و حتی اگر روزی بخواهید این کار را انجام دهید، قطعات در تمام کشورها به سختی در دسترس هستند.

deep learning

آیا چند GPU با قیمت اضافی ارزش آن را دارد؟

معمولا کار با یک GPU  کافی است و دما در بیشتر موارد از 80 درجه بالاتر نمی رود. اما با یک سیستم چند GPU  خنک سازی به یک مسئله بزرگ تبدیل می شود. حتی اگر SLI Bridge یا NVLink (اکنون توسط NVIDIA نامیده می شود) وجود دارد تا چندین GPU را به یکدیگر متصل کند ، اما بهینه سازی به شدت تحت تاثیر قرار می گیرد.

اتصال 2 پردازنده گرافیکی به طور ایده آل باید عملکرد 2 برابر داشته باشد، اما در نهایت در بیشتر موارد فقط 40 درصد عملکرد بهتر نسبت به استفاده از یک GPU دارید.

این امر نه تنها انرژی بیشتری را نیاز دارد، بلکه منجر به افزایش قبوض برق می شود و مشکلات گرمایشی وضعیت را بدتر می کند. بنابراین، اگر آماده پرداخت هزینه های اضافی هستید و به شدت به آن احتیاج دارید، پیشنهاد می کنم برای این کار اقدام کنید.

deep learning

All in one liquid cooling:

خنک کننده مایعات بسیار گران قیمت وجود دارد. قطعات در بسیاری از کشورها به راحتی در دسترس نیستند ، همچنین اگر از سازگاری مورد رایانه شخصی که قرار است از ان استفاده کند مطمئن نیستید ، خرید و راه اندازی آن خطرناک است. همچنین، آنها می توانند در برخی موارد نشت کنند و جایگزینی می تواند یک مشکل بزرگ باشد. به طور کلی تلاش اضافی نیز ارزش عملکرد یا قیمت را ندارد.

چه تعداد فن نیاز دارید؟

جریان خوب هوا برای یک یادگیری ریگ عمیق ضروری است. این کار را می توان با استفاده از فن های ورودی و خروجی انجام داد. اما محدودیت چیست؟‌ من پیشنهاد می کنم اگر 2 فن ورودی در جلو و یک فن خروجی در عقب داشته باشید.  این جریان هوای کافی را به شما می دهد.

بعد از این کار، با اضافه کردن فن های بیشتر فقط کمی افت دما می کند.

deep learning

کیس ریگ :

کیس می تواند یک مسئله مهم در یادگیری ریگ باشد. مهم نیست که چقدر از آن مراقبت می کنید، گاهی اوقات، یک کابل می تواند طول کمی کمتری داشته باشد یا RAM از رادیاتور CPU ای که قصد دارید بالای کیس قرار دهید ، جلوگیری می کند. بعضی ها هم می توانند به شما سختی بدهند. برخی از تولید کنندگان PSU یا مادربردها نیز اکستندر کابل می دهند. اگر می خواهید از داشتن تجربه ساخت روان بسیار مطمئن باشید ، می توانید فیلم های ساخت یوتیوب را به صورت آنلاین تماشا کنید و همین محصول را دریافت کنید. اما در بیشتر موارد ، اوضاع بسیار خوب پیش می رود.

جریان مناسب هوا در بیشتر موارد مسئله ای نیست این فقط یک استراتژی بازاریابی است که تولیدکنندگان مختلف نشان می دهند چگونه بهترین جریان هوا را به اجزا می دهند.

deep learning
deep learning

رم مناسب ریگ :

با توجه به اینکه شما در یادگیری ریگ با مجموعه داده های بزرگ مانند تصاویر یا ثبت اطلاعات برخی از sor ها سروکار دارید داده های شما کاملاً درون RAM قرار دارند که می تواند به سرعت پردازش قابل توجهی کمک کند، زیرا این همان حافظه ای است که CPU پس از بدست آوردن داده در حافظه نهان L1 یا L2 خود استفاده می کند. این انتقال بین مجموعه RAM و GPU VRAM طول می کشد که به طور کلی در VRAM نمی گنجد. این در مقایسه با سایر راه حل های ذخیره سازی بسیار سریع است و سرعت انتقال آن در حدود 20 گیگابیت بر ثانیه است.

باید RAM خوبی داشته باشید، اما اگر پیش پردازش های زیادی دارید  8 تا 16 گیگابایت  خوب است. با تنظیم مشخصات XMP یا Extreme Memory، می توان RAM را با سرعت بیشتری اورکلاک کرد. همچنین، سرعت RAM شما به طور کلی سیستم شما را تحت تاثیر قرار نمی دهد، بنابراین داشتن سرعت انتقال 17 گیگابیت بر ثانیه، یک کامپیوتر را کندتر از 20 گیگابیت بر ثانیه می کند.

deep learning

PSU:

دو نکته ای که هنگام گرفتن PSU باید به آن توجه کنید:

  • قدرت PSU
  • پورت های PSU

برای مورد اول، باید کل مصرف برق سیستم را پیدا کنید. داشتن یک خروجی بالاتر برای دستگاه مصرف برق کوچکتر اشکالی ندارد اما برعکس نیست. با استفاده از:

deep learning

n – تعداد کل GPU هایی که می خواهید داشته باشید ، همچنین اضافات بعدی را نیز می گیرید.

متر – تعداد کل دیسک سخت یا SSD شما ، همچنین افزودنی های بعدی را نیز در اختیار شما قرار می دهد.

200 وات اضافی برای وسایل جانبی دیگر و گرفتن حاشیه امن است.

به راحتی می توانید مصرف انرژی هر یک از قطعات را در وب سایت رسمی آنها پیدا کنید. برای مورد دوم ، مطمئن شوید که اسلات های ارائه شده برابر با تعداد مواردی است که می خواهید ضمیمه کنید یا به سادگی تمام قسمت ها را در لیست وب سایت های PCPartPicker اضافه کنید تا اگر  در قسمت نهایی سازگاری با کمبود پورت های کوتاه روبرو شدید متوجه شوید.

PSU ها بیشتر دارای موارد زیر هستند:

  • PSU ها بیشتر دارای موارد زیر هستند:
  • شیار محیطی – پردازنده گرافیکی و سایر موارد.
  • اسلات SATA: برای راه حل های ذخیره سازی
  • اسلات 24 پین ATX: برای تأمین انرژی مادربرد

یک منبع تغذیه خوب یک امر ضروری است. جریان هوا، حتی با تعداد کمتری فن، از خود مراقبت می کند اما مطمئن شوید که برق پاک و کافی به سیستم خود می دهد.

deep learning

مانیتور و صفحه کلید بی سیم:

از آنجا که در حال ساخت ریگ برای بازی نیستیم، صفحه نمایش 4K یا مانیتورهای 144 هرتز آن چیزی نیستند که به دنبال آن هستیم. Tim Dettmers در پست وبلاگ خود به نحوه استفاده از 3 مانیتور اشاره کرده و آن را کاملاً دوست دارد. نمی توانم خلی با او موافقت کنم اما برای من حدس می زنم دو مانیتور کافی باشد. اما، تنظیمات چند مانیتور مطمئناً باعث بهره وری بیشتر می شوند. با توجه به ارزان بودن نمایشگرهای این روزها، به راحتی می توانید سراغ LED نسبت به LCD با صفحه نمایش 24 یا 27 اینچی بروید.

در همان حدود برای صفحه کلید و ماوس. برای بازی نور RGB و سوئیچ های مکانیکی ضروری نیست من شخصاً صفحه کلیدهای کوچک به سبک لپ تاپ کم کلید را ترجیح می دهم. این روزها یک درگاه USB برای صفحه کلید بی سیم و ماوس نیز وجود دارد.

GPU:

GPU قلب سکوی یادگیری ریگ شماست. مکانی که آموزش واقعی در آن اتفاق می افتد. مطمئناً موضوع بزرگی است و نیاز به وبلاگ جداگانه دارد. اما، برای ارائه حداقل چیزها، پیشنهاد می کنم به دنبال موارد زیر باشید:

  • RTX 2080 Ti or
  • RTX 2070 (this doesn’t support NVLink) — much cheaper.

آنها یک گزینه دقیق 16 بیتی برای سرعت بخشیدن به کارها دارند. این معماری جدید واقعا عملکرد خوبی داشته است.

همچنین با خرید GPU های دست دوم در eBay که پس از سقوط غم انگیز بلاکچین موجود است، می توانید در هزینه های زیادی برای یادگیری ریگ  صرفه جویی کنید.

GTX 1080 Ti نیز گزینه بسیار خوبی است.

نصب سیستم عامل:

نرم افزارهای یادگیری عمیق ابتدا با ماشین های مبتنی بر Linux سازگار هستند. من اوبونتو 18.04 را نصب کردم زیرا اکنون دارای LTS (پشتیبانی طولانی مدت) است،با یک لپ تاپ کار کنید. سیستم عامل را از وب سایت رسمی اوبونتو بارگیری کنید  و در صورت امکان پشتیبانی را با کمک مالی فراموش نکنید. با استفاده از نرم افزار رایگان مانند Rufus یک درایو قلم قابل بوت ایجاد کنید و آن را به پورت وارد کرده و رایانه خود را راه اندازی کنید. BIOS را خواهید دید. به طور کلی دکمه حذف یا برخی از دکمه های Fn است.

تمام اجزای پیوست شده را بررسی کنید و ببینید آیا همه چیز در حال شناسایی است. برای اطمینان از بارگیری دیسک قابل بوت ابتدا باید اولویت خود را به USB متصل بدهید. اوبونتو را طبق دستورالعمل نصب کنید.

کلام آخر:

در پایان ، این کار یک فرایند سرگرم کننده و هیجان انگیز است که مطمئناً از آن لذت خواهید برد. . اگر در گذشته ماشینی نساخته اید، خوب است. هیچ چیز پیچیده ای نیست. جامعه سخت افزار همه نیازهای شما را تحت پوشش قرار داده است. اکنون همه چیز بسیار ماجولار است. سایت هایی نیز وجود دارد که شما می توانید سازگاری تمام قطعات خود را با یکدیگر مانند PC Part Picker مشاهده کنید. شما همیشه می توانید در کانال هایی مانند Bitwit به فیلم های یوتیوب پر از فیلم ساخت سخت افزار مراجعه کنید