为深度学习编程 PyTorch

第 1 章 PyTorch 入门 PyTorch 入门

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

在本章中，我们将设置使用 PyTorch 所需的一切。一旦我们完成了这些，接下来的每一章都将建立在这一初始基础之上，因此我们必须正确对待它。这就引出了我们的第一个基本问题：你应该构建一台定制的深度学习计算机，还是仅仅使用众多可用的基于 Cloud 的资源之一？

构建定制的深度学习计算机

在潜心研究 Deep Learning 时，有一种冲动是为自己打造一个满足所有计算需求的怪物。你可以花几天时间研究不同类型的显卡，了解可能选择的 CPU 会为你提供的内存通道，购买的最佳内存类型，以及可以购买多大的固态硬盘来尽可能快地访问磁盘。几年前，我曾花了一个月的时间列出零件清单，并在自家餐桌上组装了一台新电脑。

我的建议是：不要这么做，尤其是如果你是 Deep Learning 的新手。你很容易就会在一台机器上花费几千美元，而这台机器你可能根本用不上。相反，我建议你通过使用云资源（亚马逊网络服务、谷歌云或微软Azure中的云资源）来学习本书，只有当你觉得自己需要一台机器进行全天候运行时，才开始考虑构建自己的机器。运行本书中的任何代码都不需要大量的硬件投资。

你可能永远都不需要为自己定制一台机器。这里有一个甜蜜点，如果你知道你的计算总是局限在一台机器上（最多只有少数几个 GPU），那么定制一台机器的成本会更低。但是，如果你的计算开始需要跨越多台计算机和 GPU，云计算就又变得有吸引力了。考虑到组装一台定制机器的成本，我还是会考虑再三，然后再投入使用。

如果我还没有让你放弃构建自己的机器，那么以下章节将为你提供构建机器所需的建议。

图形处理器

GPU 是每个深度学习盒子的心脏，它将为 PyTorch 的大部分计算提供动力，而且很可能是你机器中最昂贵的组件。近年来，由于 GPU 被用于挖掘加密货币（如比特币），其价格不断上涨，供应量也在不断减少。值得庆幸的是，泡沫似乎正在消退，GPU 的供应又恢复了充足。

在撰写本文时，我建议您获取NVIDIA GeForce RTX2080 Ti。如果想选择更便宜的产品，请随意选择1080 Ti（当然，如果您出于预算原因而权衡决定购买 1080 Ti，我再次建议您转而关注云选项）。虽然AMD 制造的 GPU 显卡确实存在，但它们在 PyTorch 中的支持目前还不够好，因此除了英伟达显卡之外，我们还不能推荐其他任何显卡。但请关注他们的ROCm 技术，该技术最终将使他们成为 GPU 领域的可靠替代品。

中央处理器/主板

你可能会想选择一款Z370 系列主板。很多人会告诉你，CPU 对于 Deep Learning 来说并不重要，只要有强大的 GPU，低速 CPU 也能胜任。根据我的经验，你会惊讶地发现 CPU 往往会成为瓶颈，尤其是在处理增强数据时。

内存

内存越大越好，因为这意味着您可以将更多数据保存在内存中，而无需使用速度更慢的磁盘存储（在训练阶段尤为重要）。DDR4 内存。

存储设备

定制设备的存储应分为两类：第一类是 M2 接口固态硬盘（Solid-state Drive，SSD）--在你的经济能力范围内尽可能大，用于存储热数据，以便在你积极开展项目时保持尽可能快的访问速度。对于第二类存储，可添加一个 4TB 的串行 ATA（SATA）硬盘，用于存放非工作数据，并根据需要转移到热存储和冷存储。

我建议你看看 PCPartPicker，扫一眼别人的 ...