英伟达 TESLA K80 现货深度学习

eneiwstt · 发表于 2015-8-24 11:09

北京思腾创新科技发展有限公司
NVIDIA GPU运算卡合作伙伴全新现货质保三年
联系人温巍 135-1107-5577
QQ 499686668
nvidia tesla k20 K40 K80价格优惠，整机方案，GPU高性能运算服务器

工作站	平台	1.INTEL C602芯片组 2.扩展槽 4(x16) PCI-E 3.0,2 (x8) PCI-E 3.0 ,1个 (x1) PCI-E 2.0 3.最大可扩展到 512G DDR3 ECC REGS内存 4.I/O端口：1 VGA, 2 COM, 2 GbE, 10 USB 2.0, & 1 IPMI Dedicated LAN 5.集成Matrox G200eW 显卡 6.1620W 1+1冗余电源 80PLUS 铂金认证电源转换率高达94%以上 7.4U塔式与机架式互转机箱，8盘位热插拔硬盘 8.尺寸：462780673（mm) 9.内置高效散热风墙，外置4个风扇，解决GPU散热	1
	CPU	Intel Xeon E5-2620 V2 2.1G 6核12线程	2
	内存	8G DDR3 ECC REGS (最大支持512G）	2
	数据盘	ST 1T SATA 7200转企业级	1
	GPU	Nvidia Geforce Titan X 12G ddr5	2
		电源线，数据线，键盘，鼠标，DVD刻录配套
其他	测试：5stageQA至少包括24小时负载99%的耐高温测试，75小时不宕机测试等。
	保修：3年整机产品质保，具备远程机器检测能力。

几乎所有深度学习的研究者都在使用GPU

　　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实现收敛，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像人一样思考。如今，几乎所有的深度学习(机器学习)研究者都在使用GPU进行相关的研究。当然，我说的是“几乎”。除了GPU之外，包括MIC和FPGA也提供了不同的解决方案。NVIDIA如何看待不同的硬件架构对深度学习的影响，又是如何评价这些技术的呢?

　　NVIDIA中国区解决方案架构工程总监罗华平认为：“技术发展和科技的发展，是需要不同的技术一起来参与。无论是GPU也好、FPGA也好或者是专用的神经网芯片也好，它的主要目的都是推动深度学习(机器学习)这个方向的技术发展。那么我们在初期，确实可以尝试不同的技术，来探讨哪种技术可以更好的适合这项应用。从目前来看，深度学习大量的使用，主要集中在训练方面。那么在这个领域，GPU确实是非常适合的，这也体现在所有的这些工业界的大佬如BAT、谷歌，Facebook等等，都在使用GPU在做训练。”而除了训练之外，在实际的应用方面，NVIDIA也正在结合中国地区IDC机房普遍具备的功耗、网络等特点，“考虑是否设计低功耗的GPU，来满足用户的需求”。

　　除了硬件方面的因素之外，英伟达中国区技术经理赖俊杰也从软件方面解答了GPU对于深度学习应用的价值。首先从深度学习应用的开发工具角度，具备CUDA支持的GPU为用户学习Caffe、Theano等研究工具提供了很好的入门平台。其实GPU不仅仅是指专注于HPC领域的Tesla，包括Geforce在内的GPU都可以支持CUDA计算，这也为初学者提供了相对更低的应用门槛。除此之外，CUDA在算法和程序设计上相比其他应用更加容易，通过NVIDIA多年的推广也积累了广泛的用户群，开发难度更小。最后则是部署环节，GPU通过PCI-e接口可以直接部署在服务器中，方便而快速。得益于硬件支持与软件编程、设计方面的优势，GPU才成为了目前应用最广泛的平台。

　　深度学习发展遇到瓶颈了吗?

　　我们之所以使用GPU加速深度学习，是因为深度学习所要计算的数据量异常庞大，用传统的计算方式需要漫长的时间。但是，如果未来深度学习的数据量有所下降，或者说我们不能提供给深度学习研究所需要的足够数据量，是否就意味着深度学习也将进入“寒冬”呢?对此，赖俊杰也提出了另外一种看法。“做深度神经网络训练需要大量模型，然后才能实现数学上的收敛。深度学习要真正接近成人的智力，它所需要的神经网络规模非常庞大，它所需要的数据量，会比我们做语言识别、图像处理要多得多。假设说，我们发现我们没有办法提供这样的数据，很有可能出现寒冬”。

　　不过他也补充认为——从今天看到的结果来说，其实深度学习目前还在蓬勃发展往上的阶段。比如说我们现阶段主要做得比较成熟的语音、图像方面，整个的数据量还是在不断的增多的，网络规模也在不断的变复杂。现在我没有办法预测，将来是不是会有一天数据真不够用了。

　　对于NVIDIA来说，深度学习是GPU计算发展的大好时机，也是继HPC之后一个全新的业务增长点。正如Pandey所提到的那样，NVIDIA将世界各地的成功经验带到中国，包括国外的成功案例、与合作伙伴的良好关系等等，帮助中国客户的快速成长。“因为现在是互联网的时代，是没有跨界的时代，大家都是同等一起的。”

与目前的Tesla K20X相比，Tesla K40的核心频率只是从732MHz略微提高到了745MHz，但是支持GPU加速，加速频率可达875MHz，此时比默认频率下的K40性能提升25%，再算上规格及基础频率的改变，Tesla K40相比目前的K20X有28%的性能提升。

另外，K40的显存频率也从之前的5.2GHz提高到了6GHz，显存位宽依然是384bit。带宽从之前的250GB/s提高到了288GB/s，不过TDP继续维持K20X的235W水准，整体控制的很不错。

最大的变化要属显存容量了，之前K20X标配的是6GB，此次K40搭配的是12GB显存，不过显存颗粒的数量并没有增加，因为NVIDIA这次使用的是4Gb显存，此前包括桌面及Tesla、Quadro产品线上使用的显存颗粒都是2Gb容量，因此在维持24片显存的情况下Tesla K40的总容量提升到了12GB（24x4Gb），而K20X只有6GB（24x2Gb）。

还有一个值得注意的变化，那就是Tesla K40终于实现PCI-E 3.0支持了，虽然之前的Tesla K20X设计上也是支持PCI-E 3.0的，但是实际启用的还是PCI-E 2.0速度，此前NVIDIA在IVB-E发布时就有过类似的兼容性问题，现在已经不存在这样的问题了，支持PCI-E 3.0将使得K40与CPU之间的带宽从8GB/s提高到15.75GB/s。

Tesla K40这次发布之后即可开始出货，具体售价未知，不过估计在5500美元左右，此前的Tesla K20X价格约为3799美元。AMD虽然比NVIDIA抢先发布了12GB显存的专业卡FirePro S10000，不过出货要等到明年春季，目前依然是NVIDIA领先。

使用Intel处理器和Xeon Phi加速卡的天河2号刚刚蝉联了TOP500冠军，使用Tesla K20X加速卡的“泰坦”计算机继续排名第二，现在Tesla K40也发布了，不知道什么时候基于Tesla K40加速卡的计算机能登顶TOP500呢