박문형 2016-06

한 시스템에서 GPU 카드를 몇개나 꼽느냐가 중요합니다.

그다음이 랙타입도 되는지 아니면 꼭 타워 타입이여야 하는지도 알아야 합니다.

넘어진우유 2016-06

현재 사용중인 워크스테이션은 타워 타입입니다
랙타입은 본적은 없지만...
아마도 그래픽 카드 장착을 위해선 타워 타입으로 해야 할것 같습니다

현재 알아보고 있는 카드는 k20이나 k40 입니다
http://kr.nvidia.com/object/tesla-servers-kr.html
기계 학습을 위한...

지인에게 물어보니 titan 도 사용한다고 하네요

그래픽 카드를 여러개 장착할만한 여유는 없는 것 같습니다...
(금전적으로도, 지식적으로도...)

하셀호프 2016-06

gpgpu같은 경우 2개건 4개건 pci-express 16 슬롯에 제대로 끼우기만 하면
CUDA가 인식합니다 sli 같은 다른 조작이 필요 없습니다.
오히려 sli하면 인식 못합니다.

엠브리오 2016-06

지금 대란중인 E5-2670 듀얼로 가는게 가장 현실적인 방법으로 생각되는군요.
그래픽 카드와 메모리 및 저장장치는 따로 구매하는 걸로 하면 저렴하지 않을까 싶네요.

예산이 천만원 정도라면 E5-2670 듀얼시스템으로 2대 정도는 충분히 꾸밀수 있는 금액일듯 싶습니다.

박문형 2016-06

슈퍼마이크로에서
https://www.supermicro.com.tw/products/system/4U/7048/SYS-7048GR-TR.cfm
https://www.supermicro.com.tw/products/system/4U/4027/SYS-4027GR-TRT.cfm

정도의 제품이 있고

상황으로 볼때는 PCI-E 16X가 두개 이상되는 시스템이면 어느 정도 다 될 듯합니다.

http://www.2cpu.co.kr/hardware_2014/37391

어느 회원님의 연구실 시스템

깡통이 2016-06

GPU 위주로 하실거고, GPU를 한개만 쓰신다면 CPU 개수가 2개일 필요는 없습니다.
보통 E5 제온이면 PCI-EXPRESS 레인이 40개 정도 되기 때문에 CPU 하나에 GPU 2개까지는 사용할 수 있어요.

최근에 회사에서 구입하려고 견적을 알아봤는데 테슬라가 가격이 많이 쎕니다.
테슬라와 지포스의 차이는 여러가지가 있겠지만 가장 큰 것이 ECC의 유무와 FP64연산 성능입니다.
지포스는 게임용이라 그런지 FP64 성능이 아주 낮습니다.
하지만 일반적인 기계학습에는 FP64 연산이 크게 중요하지 않다고 하던데 가능하다면 지포스를 하시는 것이 비용면이나 부품 수급면에서도 좋을 수 있어요.

깡통이 2016-06

그리고 기계학습 관련하여 GPU 성능의 발전 속도가 아주 빠르기 때문에,
한번에 큰 시스템을 구축하는 것보다는 일단 적당한 수준으로 시작을 하고, 1-2년 후에 다시 새로운 시스템을 맞추는 편이 좋을 것 같습니다.
(1000만원을 한번에 다 써야 한다면 어쩔 수 없겠지만요.)

넘어진우유 2016-06

답변 감사합니다!
아는 친구(다른 학교 연구실)는 그쪽에서 테슬라 k40을 사용한다길래
테슬라를 알아보던 중이었습니다
일단은 지포스 쪽으로 다시 생각해봐야겠네요

하셀호프 2016-06

일단 TensorFlow나 Theano 목적이라면 이에 대한 최소 사양 확인하시고
시스템 구축하시는 것이 좋아 보입니다.
메인보드는 gpu 4개까지 지원하는 보드를 본적이 있습니다.
엔비디아 코리아에 문의하는 것도 좋은 생각일 것입니다.
특정 소프트웨어를 사용하려면 하드웨어는 이에 맞추어야 합니다.

fp32/fp64 테이블입니다.
http://www.geeks3d.com/20140305/amd-radeon-and-nvidia-geforce-fp32-fp64-gflops-table-computing/

박문형 2016-06

테슬라를 재대로 사용하려면 기술지원(엔비디아코리아)이 꼭 필요하고

엔비디아코리아가 지정한 한국총판에서 프로텍션을 걸고 제품을 구입하면 됩니다..

가격은 만만하지 않습니다..

오홍식 2016-06

GPU 연산을 어떻게 할 것인지가 중요합니다.. (수학적 이론 말고, 어떤 라이브러리로)
일반적인 경우, 예상되는 입력/출력 메모리 최대치의 2~4배를 PC의 메인 메모리로 하시면 됩니다. 여기에서 GPU메모리의 2~4배라는 말이 나온 것입니다.
CUDA지원과 다르게, Nvidia API지원은 상당히 게으른 편입니다. 자사의 동시대 Quadro도 인식 못하는 경우다 다반사입니다. (특히 Optix, SceneX같은 것들)
Quadro필수라고 해놓고, 한 세대 이전 Quadro만 인식하고 최신 Quadro는 그런 GPU 없어요.. 라고 그냥 강제 종료도 되는 경우도 많습니다..
Tesla도 마찬가지입니다. 최신 제품은 자신들의 API에서도 인식을 못합니다..
(역어셈으로 GPU 체크 부분을 강제로 건너뛰게 하는 방법도 있습니다만.. 원래 모르겠으면 G80으로 작동하게 하는 안전장치인지라 정석이 아니니 제외..)
(해당 라이브러리 관련해서 NVidia와 관계가, 코드를 직접 볼 수 있고 컴파일 할 수 있는 정도라면, C코드중 Enum 선언만 수정하면 되는 간단한 문제입니다..)

Nvidia의 딥러닝 SDK를 활용하는등 Nvidia 특화로만 간다면 NVidia GPU가 필수이겠지만..
CUDA가 아닌 OpenCL이라면 GPU는 큰 상관 없으니 제외,
코딩 실력에서 PCA같은 정도는 필요하면 직접 작성하거나 기존 라이브러리를 필요에 따라 직접 수정할 수도 있다.. 라는 수준이시라면
CPU의 클럭이 빠른것이 개발단계에서는 추천입니다..

하셀호프 2016-06

일단 딥러닝 엔진 작동이 확실치 않다면 작동 가능성이 일차 선택입니다.
아무리 성능이 좋아도 작동하지 않는다면 쓸모없지요.
만일 작동에 확신이 서면 성능 업그레이드 혹은 최적화로 갈 수 있겠지요.