组装自己的PC以进行游戏和机器学习（深度学习）

2019年1月7日2021年6月20日

触发

我曾经玩过具有大量图形处理功能的PC游戏（例如《巫师3》和《看门狗》），但最近这些天我玩游戏的次数减少了。

我重新组装了自己的PC，以便可以将其用于游戏，机器学习和深度学习，以及重新使用剩下的规范。

我还将写下推荐的零件和选择原因。

我们将主要从Yahoo Auction，Amazon和Yodobashi采购零件。从亚马逊和淀桥购买新产品。

建议使用Yahoo Auction，因为所得款项可用于购买下一部分。

・旧的和更新的零件
-由于主板更换而不再使用的内存和CPU

我用它来卖这样的东西。
即使预算很小，也可以切换到高性能设备。

我会不时购买二手商品，但只购买CPU，内存和故障少的机箱。
我有点害怕用过的主板，例如由于断针，SSD / HDD损坏而开箱即用的主板，它们的寿命会随着使用方式的不同而发生很大的变化，因此我避免这样做。

对于机器学习应用程序，似乎物理核的数量比逻辑核的数量（线程的数量）更重要。
CPU通常会参与预处理工作，其中涵盖了大部分工作。另外，scikit-learn不支持GPU进行的计算处理，因此其处理速度取决于CPU。

从第8代i5系列开始，物理核心数为7核心，与i6相同（12核心/ 6线程）。
在游戏方面，随着GPU的高端化，CPU成为决定速率的因素，但我认为i1080如果与GTX 5有关就不会成为问题。

・由华硕（ASUS）制成，在主板方面享有盛誉
・游戏
・有一个用于M2.SSD的散热器
・板上发光的LED

决定因素是上述四个。
我并没有考虑超频，所以带有用于第8代CPU的H370芯片组的MB似乎不错。 M2SSD容易变热并担心其寿命，因此具有散热器也很有吸引力。
我在发光二极管的主板上感到浪漫，但上床睡觉时却眼花乱，所以我还是把它关掉了...

集成方法（Random Forest，XGBoost，LightGBM）在几个子样本中训练数据集，因此物理内存量不再是问题。
但是，当有必要在内存中（例如决策树和神经网络中）一次扩展所有训练数据时，内存的数量就变得很重要。

如果要处理具有大量数据的图像，并且要使用深度神经网络（DNN）识别图像，则需要1BG或更多（最好是32GB）。

由于Mini-Itx最多只能容纳两个内存，因此我折衷为2GB（32GB x32对于cospa来说太糟糕了……）。
我认为我不喜欢这种情况，但我认为ATX的大小为16GB x 4（64GB）。

EVGA GeForce GTX 1080 FTW混合游戏，8GB GDDR5X

对于玩游戏和深度学习而言，它都是必不可少的部分。

我用了以前用过的那个。
由于配备了简单的水冷系统，因此您可以在游戏中安静地玩，而不会受到风扇噪音的困扰。即使在高负载游戏中，也很少会超过60°C。

像主内存一样，GPU内存在图像识别等领域也很有效，因此，如果预算允许，Ti系统会更好。

目前，GTX 2070，RTX 3070等更好。

根据使用情况，存储分为三部分。如果您将游戏安装在SSD上，则加载时间将缩短，并且可以舒适地玩游戏。

[Seasonic] G系列550W ATX电源[80 + GOLD] SSR-550RMS

看起来，转换效率最好是电源容量的一半，因此通常建议电源容量为（整个计算机的最大功耗x 2）。

但是，很少实际使用那么多的功率。实际上，在比赛和基准测试期间使用瓦特监视器进行测量时，它保持在估计最大值的70-80％。
计算出的最大功耗x 1.5可能就足够了...

我完全按照外观选择它。由于只支持mini-itx的习惯，其大小与ATX差不多。

一个越大，就越容易布线，并且您可以在其上放一个大风扇以确保气流，因此您不会感到不满意。

部分	产品	価格
中央处理器	英特尔酷睿i5 8400（Coffee Lake-S）	23,000日元
母盘	华硕ROG STRIX H370-I 游戏	16,000日元
モモリリ	爱国者Viper Elite DDR4 PC4-21300 16GB x2	2,3000日元
GPU	的GeForce GTX 1080的 EVGA FTW混合游戏	$579.99 （约\ 65,000）
ストレージ	M2 SSD：英特尔760p M.2 PCIEx4 256GB SATA固态硬盘：250GB 硬盘：1TB	8,800日元 ¥6,500 ¥5,000
案例	NZXT Manta Mini-ITX主板案例	2,2000日元
电源	季节性SSR-550RMS　550W	11,000日元
OS	窗户10	从win7更新
总金额		约18万日元