配置深度学习主机与环境（TensorFlow+1080Ti）：
一. 硬件选购
研究需求，遂组装一台全新的计算机，安装Ubuntu，用来运行TensorFlow，同时保留Win10，方便其他其他场合使用。因为硬件更新换代很快，各种网络结构也层出不穷。因此，考虑使用多显卡来提升系统的计算能力是有必要的。现阶段，主要购买单块显卡实现整个系统的搭建，同时保留拓展（多显卡）空间。
硬件清单如下：
以上配置总共花费24173.1元人民币，购买时间主要在6月底7月初，没能赶上京东618的活动，顺便不幸的碰到了显卡缺货，所以价格上仅供参考。
1. 主板
因为考虑到系统有可能拓展四块显卡，因此主板首先需要支持4-Way NVIDA SLI功能，通常单块显卡占用16条PCIE通道，四块显卡则需要16*4=64条PCIE通路，而常见的i7处理器中的高端型号最高只有40条PCIE通道，因此理论上的处理方法是需要使用两块CPU实现双通道处理。京东上就有使用双路E5配合4路1080Ti所搭建的深度学习主机。
在不考虑双路CPU的情况下，要想实现16*4PCIE通路，目前只有Asus X99-E WS/USB 3.1唯一一块主板可以实现PCIE通路的拓展。
上图是主板说明书中的一页，显示主板共有7条PCIE接口。使用四块显卡，分别放置于1、3、5、7号PCIE接口，可以实现4*16条PCIE通道。具体实现我并不是特别清楚，但是在我的深度学习工作站攒机过程记录中，作者也同样询问过这个问题：
2. 中央处理器 CPU
为适配主板型号，CPU为LGA2011-v3系列，同时支持最高40条PCIE通道。因为系统主要使用显卡进行计算，因此对CPU的要求并不是很高。Tim Dettmers在其Blog：A Full Hardware Guide to Deep Learning中提到CPU的核心数并不重要，拥有相对较高的主频即可。
CPU:Two threads per GPU; full 40 PCIe lanes and correct PCIe spec (same as your motherboard); > 2GHz; cache does not matter;
最后决定在i7-5930K和i7-6850K中二选一，价格差距不大，遂选择主频较高的i7-6850K。
注意：i7-6850K是不带核显的，装机前期显卡还没到，特地借了一张点亮卡用来检测装机情况。
各型号处理器具体参数可以在Intel官方网站查询与对比。
3. 显卡 GPU
并非所有的显卡都支持CUDA，实际上仅有部分Nvidia高端显卡才支持，具体支持列表可前往Nvidia查询。
目前10系显卡横空出世，基本上深度学习主机主要可选为：Titan Xp、1080Ti、Titan、1060与Tesla系列，深度学习模型对参数精度要求并不高，因此除非土豪，可以排出Tesla系列显卡。在金钱允许但非土豪的情况下，1080Ti是目前最佳的选择。在显卡的选购过程中，肯定会遇到公版与非公版的选择问题。虽然非公版的散热较好，且自带超频，但考虑到系统的稳定性与兼容性，建议还是选择公版显卡。另外非公版显卡还可能会遇到显卡太厚主板放不下的问题。
在显卡的购买过程中正好遇到了显卡慌，京东上所有自营的商家全部缺货，剩下的部分显卡都在6500~7000RMB左右。不得已选择上淘宝代购，结果大部分代购商家都拿不到货，难怪大家都盼望着矿难。另外海淘显卡推荐选择EVGA，在台湾有维修点，方便保修。
以下图表和建议，来自于Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning：
Best GPU overall (by a small margin): Titan Xp
Cost efficient but expensive: GTX 1080 Ti, GTX 1070, GTX 1080
Cost efficient and cheap: GTX 1060 (6GB)I work with data sets > 250GB: GTX Titan X (Maxwell), NVIDIA Titan X Pascal, or NVIDIA Titan Xp
I have little money: GTX 1060 (6GB)
I have almost no money: GTX 1050 Ti (4GB)
I do Kaggle: GTX 1060 (6GB) for any “normal” competition, or GTX 1080 Ti for “deep learning competitions”
I am a competitive computer vision researcher: NVIDIA Titan Xp; do not upgrade from existing Titan X (Pascal or Maxwell)
I am a researcher: GTX 1080 Ti. In some cases, like natural language processing, a GTX 1070 or GTX 1080 might also be a solid choice — check the memory requirements of your current modelsI want to build a GPU cluster:This is really complicated, you can get some ideashereI started deep learning and I am serious about it: Start with a GTX 1060 (6GB). Depending of what area you choose next (startup, Kaggle, research, applied deep learning) sell your GTX 1060 and buy something more appropriate
I want to try deep learning, but I am not serious about it: GTX 1050 Ti (4 or 2GB)
4. 机箱
选择Tim Dettmers与NVIDIA® DIGITS™ DevBox同款机箱，被大多数深度学习用户所采用。
5. 电源
建议不要在电源上省钱，主机可能24小时运行，稳定性最重要。1600w对付4块1080Ti足以。另外：Nvidia DevBox 用的是 EVGA 1600W 80+ Gold 120-G2-1600-X1，比我买的钛金便宜点。
6. 散热
在风冷和水冷的选择上纠结了很久，总担心水冷过保之后会漏水，最终还是选择了风冷。直接选择京东上猫头鹰最贵的一款（NOCTUA NH-D15 CPU散热器），后期使用情况看，散热不错，噪音也不大。
如果选择水冷的话建议将冷排安装在AIR540机箱的顶端，这样可以避免顶端进灰。
7. 内存
i7-6850K默认主频2400MHz，开启XMP之后，自动超频为3200MHz。因此建议购买DDR4 3200MHz内存条。
XMP是Extreme Memory Profile的缩写，是Intel在2007年9月提出的内存认证标准，适用于DDR3和DDR4。
为了统一行业内的超频数值标准，而不让各个内存厂商随意设定更高的内存频率数值写入到SPD，英特尔提出了XMP认证标准。通过XMP认证的内存会在内存地址176 ~ 254中记录内存的速度设定，最多可以保存2组设定值。厂商们如需要得到XMP的认证，就必须把内存及该设定送交Intel测试，通过后就会给予认证。
通过XMP认证后，其SPD中除了预设普通频率数值的SPD值外，还写入了更高频率设定的SPD。这个更高频率的设定配合支持XMP的主板后可以被启用，从而将内存超频提升性能。
简单的说，通过了英特尔XMP认证的内存，SPD中有两个或更多频率设定档案，只要在主板中启用这些预设的XMP档案，即可将内存条自动超频到3200或更高值（根据档案设定而定）。
XMP与手动超频效果基本无异，所以可将其看作为内存的自动超频技术。
8. 显示器
显示器就是生产力。
9. 鼠键
建议购买无线鼠键，可以离机箱远远的。
注意：在系统点亮之后可能无法识别无线鼠键，建议在点亮阶段使用有线鼠键。
10. 存储
若训练集庞大，建议购买较大的SSD，HDD可用来仓储。假如需要安装双系统，建议SSD 512G，HDD可以用来当作Win10和Ubuntu的公共挂载盘。
二. 主机组装
计算机组装应该是整个搭建过程中最简单的部分了，虽然我之前从来没有组装过电脑。
第一步将CPU（注意方向）、RAM、SSD（M.2 Nvme）安装到主板上，将主板附送的主机后置面板安装到机箱上。
第二步将将散热安装到CPU上，放到机箱中，确定散热器风道方向与散热器的位置，以免放不下。
第三步涂硅脂，重新将确定好位置的风扇安装到CPU上。
第四部将主板固定到机箱上，注意机箱上的铜柱不多也不少，避免主板下面有空余的铜柱而导致主板短路。
第五步将GPU和其他pcie接口设备安装到主板与机箱上，安装磁盘阵列到机箱内，安装电源模块。
第六步接线。
关于组装电脑的相关资料如下：
1. 知乎：如何配组装电脑？
三. 参考资料：
4. 深度 | 从硬件配置到软件安装，一台深度学习机器的配备指南
