如果有上四路TITAN X的打算，那么需要选取散热条件更好、空间更大的机箱，可以用跟Nvidia DevBox同款的机箱，即Corsair Carbide Air 540，也可以是追风者PK515E或515ETG中塔机箱，个人觉得后者的颜值高一些，这两款都可以用来组装具有四路TITAN X的深度学习工作站。

　　2. 主板

　　主板的基本要求是稳定性足够好，具有较多的PCI-E Gen3 x16接口。

　　由于标准版配置只计划选用一块显卡，故选取了游戏级别的华硕 Z170I主板，该款主板只具有一个PCI-E Gen3 x16接口。

　　当按工作站要求来选择主板时，有两个指标：最好是X99平台和拥有较多的PCI-E Gen3 x16接口。华硕推出了两款工作站主板，分别是具有两路PCI-e 3.0 x16接口的Asus X99-M WS/USB 3.1工作站小板和具有四路PCI-e 3.0 x16接口的Asus X99-E WS/USB 3.1工作站大板。

　　所以，我们在第二套土豪版配置中采用了Asus X99-M WS/USB 3.1工作站小板，可以扩展到两路TITAN X或者是GTX 1080 TI。

　　具有四路TITAN X的Nvidia DevBox工作站用的是Asus X99-E WS主板，当有计划上四路TITAN X打算的话，主板可以选用Asus X99-E WS/USB 3.1工作站大板，避免由于后期扩展显卡但是主板存在局限性的问题。

　　3. CPU

　　选择CPU，主要是观察三个指标：主频，核心数和总线带宽。

　　在第一套标准配置中，由于是单机单卡，所以选择目前主频最高的I7-7700K。i7-7700k的散片价格为1799，质保一年；盒装价格为2799，质保三年。据销售称，这两者没有实质性的差异，可根据自身需求进行选择。

　　在单机多卡进行训练时，总线带宽是瓶颈，所以CPU的PCI-e lane越多越好，一般消费级的CPU，PCI-e总线根数是16, 28或40，最大就是40，进一步提升带宽就需要上服务器CPU或者双路至强CPU了。

　　有40带宽的这个条件下，有5款CPU入围，分别是：

i7-5930K（2014.3 3.5G 15mb 6核）

i7-5960X（2014.3 3.0G 20mb 8核）

i7-6850K（2016.2 3.6G 15mb 6核）

i7-6900K（2016.2 3.2G 20mb 8核）

i7-6950X（2016.2 3.0G 25mb10核）

　　还有一款为28带宽的CPU i7-6800K（2016.2 3.4G 15mb 6核）。

　　Nvidia官方推出的DevBox工作站所使用的CPU是i7-5930K，由于版本的更新，所以经过参数比较，第二套土豪级配置最多使用两块显卡，上手i7-6800K是比较合适的。

　　如果有上四块显卡的可能，建议使用上述所提到的5款总线带宽为40的CPU。

　　4. 内存

　　消费级的i7 CPU最大支持内存是128G。深度学习工作站内存选取技巧：内存大约为显存的两倍。

　　因此，我们在第一套标准版配置中使用了16G DDR4 3000的内存，在第二套土豪级配置中使用了32G的内存。内存的可扩展性很强，可以在使用中根据实际的占用情况来进行增减。

　　5. SSD

　　系统盘需要使用一块SSD，能够进行高速数据读取和存储。当前SATA III接口的SSD最普遍也最便宜，不过由于上述的两个主板都具有一个M.2接口，可以买一个M.2 NVMe的SSD，速度比SATA III接口也有所提升。

　　利用主板的这个接口，可以根据容量的需求来选择容量为256G或者是500G的SSD，j2直播，例如三星960 EVO 500G M.2 NVMe SSD。

　　6. 机械硬盘

　　机械硬盘分为日常蓝盘（家用存储）、NAS红盘（网络数据存储）、企业金盘（密集读取型）、监控紫盘（存储密集型）、游戏黑盘（高端存储型）。

　　硬盘数据存储要求稳定，不存在数据丢失。

　　蓝盘为日常家用，最为通用；黑盘极其稳定，但是在运行过程中声音较大；红盘多用服务器数据存储，声音较小。故在第一套标准版配置中选择家用蓝盘即可，在第二套土豪级配置中最为高端稳定的黑盘作为存储盘，同时金盘也是不错的选择。

　　7. GPU

　　Tesla GPU性能很强劲，开奖，双精度计算能力非常优秀，适用于研究深度学习的超级计算机，但是Tesla K卡（K40，K80）十分昂贵，K40的价格为27000，K80的价格为37000。据一部分科研工作者反馈，对于网络计算的精度不需要达到这么高。

　　国内的公司和科研机构一般是使用一块Titan X Pascal，或者是两块GTX 1080，随着新品的面世，GTX1080 TI也是一个不错的选择。

　　GPU是计算的关键要素，利用台式机GPU来研究深度学习，就是通过足够的CUDA单元，以及配套的显存资源，来进行深度计算。尽管GPU也存在频率和显存带宽的差异，但是对于大部分的网络训练，6G及以上都是满足要求的。下图是对常用显卡的一个比较，可见如果是大量扩展时，1080TI和1070是比较合适的。

　　在标准版配置中，只能上一块GPU，建议显存大于等于6G，版本高于等于GTX 1060，即可满足日常实验研究，训练VGG网络或者Alexnet网络都不是问题。

　　上升到X99工作站主板后，最多可插两块Titan X或者四块 GTX 1080TI（当然仍然可以使用GTX 1080），上面选择的PCI-e总线为40的规定用于此处。