深度學習主機入門版配置

為了讓初學者花最少的錢辦性價比最高的事情,我構造了這樣一套DIY裝機配置,在最大化利用顯卡資源的同時,極力壓縮無關配置。這個配置的主要特性是去掉了擴展性的可能,從而大幅降低了成本。

由于訓練和推理主要使用顯卡,顯卡還是要盡量的好,為了能夠訓練主流的模型,我們還是要上性價比最高的NVIDIA 1080Ti。

顯卡:技嘉(GIGABYTE) AORUS GTX 1080Ti,如果有渠道也可以買海外的英偉達出的公版(699美元)。

CPU:根據預算可以選擇i5 7600K或i7 7700K,當然其他的LGA 1151接口的CPU都可以根據自己的經濟能力進行選擇,注意一下PCIe的通道數,只要要保證16通道,可以上英特爾官網查一下https://ark.intel.com/products。接口一定要是LGA 1151,后面的主板和他是配套的。

內存:至少16G,如果選擇16G,建議兩個8G,利用上雙通道。如果32G,上兩條16G。內存頻率不是特別重要,DDR4 2133或2400普通的臺式機內存就可以了。

主板:華碩Z270-A,跟X99系列主板的3000元起步,Z270要便宜好多,如果選擇擴展性好的,比如網上經典的深度學習主機配置里那個三顯卡支持的X99-E WS主板,X99系列主板的確有較好的擴展性,他需要搭配的CPU也要高端一些,起步CPU是6800K,比7700K要貴幾百元,但6800K的優勢是多核,主頻卻弱于7700K。對游戲、VR的支持,顯然7700K更給力一些。Z270A+7700K京東有套裝,便宜好幾百塊。

SSD:考慮到充分發揮顯卡的性能,我們盡量不再占用PCIe通道,所以放棄了速度更快的m.2接口SSD,而選用了SATA3的SSD,但6Gbps的速度其實日常使用已經足夠快了,而且SATA3的SSD可以持續達到6Gps的讀寫性能,而m.2(使用PCIe模式)或PCIe的SSD,在連續寫入達到4Gb之后,寫入速度就迅速衰減到1.6Gbps。推薦型號:三星(SAMSUNG) 850 EVO 250G SATA3 固態硬盤,容量根據需求自己選。

硬盤:建議還是要有一個上T的機械盤用來存數據的,這個就隨便了,只要是SATA3接口的隨便選。

電源:如果將來不再加顯卡了,理論上這個配置也不適合加顯卡,畢竟通道數只有16個,一個顯卡占用的PCIe×16就給用沒了,雖然這個主板支持兩個PCIe×16插槽,但是真是兩個都插上,主板芯片組就會變成兩個8通道的運轉了。所以600W的電源基本就夠用了,建議電源要穩定,最好上EVGA品牌,大廠實力,然后根據經濟能力自己選就好了。

雖然是深度學習的乞丐版,這個配置在游戲玩家中也算非常不錯的高端配置了,玩各類游戲那是不在話下,再來個VR套裝,就真是物盡其用了。

裝機過程要注意的是顯卡供電要求比較高,需要用兩個電源線把兩個供電口都插滿。

如果有人使用這個配置裝機了,你可以在此留言,我將再寫一篇ubuntu、windows10雙系統安裝,以及深度學習基礎環境搭建的文章。

Faster R-CNN論文翻譯

Faster?R-CNN是互懟完了的好基友一起合作出來的巔峰之作,本文翻譯的比例比較小,主要因為本paper是前述paper的一個簡單改進,方法清晰,想法自然。什么想法?就是把那個一直明明應該換掉卻一直被幾位大神擠牙膏般地拖著不換的選擇性搜索算法,即區域推薦算法。在Fast?R-CNN的基礎上將區域推薦換成了神經網絡,而且這個神經網絡和Fast?R-CNN的卷積網絡一起復用,大大縮短了計算時間。同時mAP又上了一個臺階,我早就說過了,他們一定是在擠牙膏。

Faster R-CNN: Towards Real-Time Object

Detection with Region Proposal Networks

Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun

摘要

最新的檢測網絡都依賴區域推薦算法來推測物體位置。像SPPnet[1]和Fast R-CNN[2]已經大幅削減了檢測網絡的時間開銷,但區域推薦的計算卻變成了瓶頸。本作將引入一個區域推薦網絡(RPN)和檢測網絡共享全圖像卷積特征,使得區域推薦的開銷幾近為0。一個RPN是一個全卷積網絡技能預測物體的邊框,同時也能對該位置進行物體打分。RPN通過端到端的訓練可以產生高質量的推薦區域,然后再用Fast R-CNN進行檢測。通過共享卷積特征,我們進一步整合RPN和Fast R-CNN到一個網絡,用近期流行的“術語”說,就是一種“注意力”機制。RPN組件會告訴整合網絡去看哪個部分。對于非常深的VGG-16模型[3]。我們的檢測系統在GPU上達到了5fps的檢測幀率(包括所有步驟),同時也在PASCAL VOC2007,2012和MS COCO數據集上達到了最好的物體檢測精度,而對每張圖片只推薦了300個區域。在ILSVRC和COCO 2015競賽中,Faster R-CNN和RPN是多個賽道都贏得冠軍的基礎。代碼已經公開。

Read more

香港最快报码开奖结果