صفحه اصلی / عمومی / کدام کارت گرافیک برای یادگیری عمیق مناسب است؟ (بخش اول)
deeplearning.ir_gpu_vs_cpu

کدام کارت گرافیک برای یادگیری عمیق مناسب است؟ (بخش اول)

بسم الله الرحمن الرحیم

تعداد کسانی که در مورد نیازمندی های سخت افزاری سوال میکنن روز به روز افزایش پیدا میکنه و سوالهای زیادی هم در بخش پرسش و پاسخ و همینطور تلگرام و… داشتیم تا بحال. از طرفی هم یکسال قبل من گفته بودم که اطلاعات کافی در این زمینه رو در سایت قرار میدم اما بعلت مشغله زیاد نتونستم مطلب اختصاصی در موردش بنویسم. انشاالله در این پست در این مورد صحبت میکنیم و یکسری توضیحات مورد نیاز رو میدم . این بخش رو هم به دو قسمت انشاالله تقسیم میکنم . در بخش اول کلیات رو میگم و در بخش دوم انشاالله سعی میکنم اگر بشه یک مقایسه ای بین کارتها و قدرتشون هم انجام بشه و یه بنچمارکی هم قرار داده بشه.

بخش اول : کدام کارت گرافیک برای یادگیری عمیق مناسب است ؟

همونطور که ما میدونیم یادگیری عمیق حول شبکه های عصبی عمیق میگرده و اتفاقی هم که در این شبکه ها رخ میده چیزی جز یکسری محاسبات ریاضی و بطور خاص ماتریسی در مقیاس زیاد نیست. به همین دلیل استفاده عملی از یک شبکه عصبی عمیق اگر با پردازند ههای معمولی بخواد انجام بشه تقریبا غیر ممکن خواهد بود. به همین دلیل هم شما در تمامی کتابخونه ها و چارچوب های معتبر مشاهده میکنید که پردازش ها تحت کارتهای گرافیک انجام میشه. البته همه این کتابخونه ها پیاده سازی مبتنی بر CPU رو دارند که معمولا برای آشنایی و اجرای دموها و اشکال زدایی ها مورد استفاده قرار میگیره.

اوائل شروع یادگیری عمیق اجرای پردازش ها محدود به استفاده از کارتهای گرافیک بود. اما طی یکسال اخیر فعالیتهایی در جهت استفاده از سیستم های توزیع شده هم صورت گرفته که در کفی میشه به SparkCaffe و در جاوا به DeepLearning4J و احتمالا معروف تر از همه Tensorflow اشاره کرد. ذکر این نکته ضروریه که یک کارت گرافیک با قیمت متوسط مثل GTX960 یا حتی GTX1060 از یک سرور با پردازنده xeon هم به مراتب قوی تره. برای اطلاعات بیشتر بعنوان مثال میتونید اینجا و اینجا رو مشاهده کنید.

پس در حال حاضر ما برای اینکه بتونیم در یک زمان معقول یک شبکه عصبی عمیق رو آموزش بدیم نیازمند استفاده از پردازش موازی هستیم و برای اینکار از کارتهای گرافیک استفاده میشه. خب حالا از چه کارت گرافیکی استفاده باید کرد؟
در حال حاضر شرکت Nvidia برنده بی چون و چرای این حوزه است. تمامی کتابخونه ها و چارچوبها بدون استثنا از کارتهای انویدیا پشتیبانی میکنن و مبتنی بر Cuda و cudnn هستند. پشتیبانی از کارتهای AMD/Intel و متنفرقه یا مبتنی بر OpenCL یا وجود نداره و یا بشدت ضعیف هست بعنوان مثال AMD برنچی از کفی رو به OpenCL پورت کرد اما خیلی زود هم اونو کنار گذاشت و پشتیبانی ازش رو قطع کرد. هرچند در حال حاضر یک برنچ مبتنی بر OpenCL در کفی وجود داره (اینجا) که کسانی که کارت گرافیک AMD و یا Intel دارن میتونن ازش استفاده کنن اما از لحاظ سرعت و بروز رسانی قابل قیاس با ورژن اصلی و مبتنی بر Cuda/cudnn نیست.

مقایسه CPU و GPU در یادگیری عمیق

در تصویر بالا هم یک مقایسه بین CPU و GPU میبینید (در بخش دوم مقایسه خیلی کاملتری داریم انشاالله) به تعداد روزها دقت کنید!(۴۳ روز در برابر ۳ روز!)

این قضیه در مورد تنسورفلو هم به همین شکل صادق بوده و برنچ های مختلفی هر از چندگاهی توسط افراد مختلف ایجاد و بعد از دور خارج میشن.

به همین دلیل پیشنهاد اکید میشه در زمان خرید حتما یک کارت گرافیک انویدیا رو تهیه کنید.

خب آیا هر کارت انویدیایی قابل استفاده است  ؟

جواب خیر هست. با هر کارتی امکان آموزش شبکه های عمیق رو شما ندارید (البته اگر منظور استفاده از کتابخونه ها/فریم ورکهای معتبر باشه اگر خودتون بخوایید برنامه نویسی کنید که دستتون بازه) . در اینجا چند نکته است که باید بهش توجه بشه.

نکته اول قابلیت های کارت گرافیک شما است . شما ار هر کتابخونه و یا چارچوبی که قراره استفاده کنید باید به نیازمندی های سخت افزاری اون توجه کنید. بعنوان مثال اگر از کفی میخوایید استفاده کنید باید حتما کارت گرافیک شما compute capability 2.1 به بالا داشته باشه. اگر ار تنسورفلو میخوایید استفاده کنید (پکیج های آماده اش) باید حتما کارت گرافیک شما compute capability 3 به بالا داشته باشه. این قضیه برای torch هم صادقه. برای اینکه متوجه بشید کارت گرافیک مورد نظر شما این قابلیت ها رو داره میتونید از بخش ابزارها لیست و لینکهایی که برای این بخش قرار داده شده استفاده کنید.

در زیر کارتهای مختلف با compute capability 3 به بالا مشخص شدن (با بردن ماوس روی هر لیست اطلاعات compute capability اون رو میتونید مشاهده کنید)

 

خب تا به اینجا تصمیم گیری برای خیلی از شماها باید مشخص تر و راحت تر شده باشه. اما آیا اطلاعات بالا کافیه ؟ خیر!

سوال : چه اطلاعات دیگه ای باید داشته باشیم ؟

کارتهای بالا صرفا مشخص کننده یکسری حداقلها هستن. اما این اعداد به هیچ وجه نشون دهنده اینکه چقدر یک کارت برای کار من نوعی میتونه مفید باشه نیستند. من باید به چه چیزهای یک کارت گرافیک توجه بیشتری بکنم؟

سه موضوع زیر رو در نظر بگیرید

  1. حجم حافظه
  2. قدرت پردازش
  3. پهنای باند

این ها مواردی هست که باید در زمان تهیه یک کارت گرافیک لحاظ کنید. در درجه اول باید بدونید که تقریبا اکثر معماری های بسیار موفق که دقت بسیار بالایی رو ارائه میکنن خیلی عمیق هستن و این به معنای اشغال حجم زیادی از حافظه اس. بعنوان مثال معماری ساده و ابتدایی مثل AlexNet در زمان آموزش روی دیتاست ایمیج نت با اندازه تصاویر ۲۲۴ در۲۲۴ پیکسل به ۶ گیگابایت رم نیاز داشت. و یا معماری Vggnet و همینطور GoogleNet و یا ResNet به مراتب حجم های خیلی بیشتری رو نیاز دارن . البته میشه با روشهایی مثل کاهش اندازه بچ میزان حافظه مصرفی رو کاهش دادم و یا اندازه تصاویر ورودی رو کاهش داد اما هر دو این کارها تاثیر مستقیم روی دقت نهایی میزارن و باعث بدتر شدن اون میشن. خصوصا کاهش اندازه بچ در زمان آموزش (یا همون training ) تاثیرات خیلی بدی میتونه بزاره . به همین علت برای اینکه در آموزش و تحقیقاتتون دستتون باز باشه و به مشکل حافظه نخورید جدا پیشنهاد میشه از کارتهای با حجم حافظه بالا استفاده کنید. (در انتها توضیح بیشتری میدم)

نکته بعدی قدرت پردازش هست یا همون cuda cores در کارتهای گرافیک. هرچقدر قدرت پردازشی کارت شما بیشتر باشه آموزش شما سریعتر پیش میره و این نکته بشدت قابل اهمیتیه چرا که شما حتما تا جایی که ممکنه باید فاز آموزشی سریعی داشته باشید تا بتونید پارامترهای مختلف رو تنظیم کنید و اگر کارت شما از قدرت کافی برخوردار نباشه بشدت تو اینجا زمینگیر میشید و خیلی از ایده ها و نکات رو نمیتونید عملا پیاده و نتیجه اش رو ببینید و زمان زیادی رو از دست میدید .

نکته بعدی که ارتباط تنگاتنگی با مورد قبلی داره پهنای بانده . در شبکه عصبی بخاطر محاسبات زیادی که رخ میده پهنای باند نقش بشدت حساسی داره . و قابل ملاحظه ترین تاثیر رو میزاره . حتما در بازار دیدید که کارتهای گرافیکی هستن مثل GTX750 که با ۴ گیگ رم معرفی شدن! این کارت فوی ای هست اما نه اونقدر! و اگر شما مدلی داشته باشید که ۴ گیگ فضا رو اشغال کرده من بهتون قول میدم زمان خیلی زیادی رو باید برای آموزش اون سپری کنید. (نکته دوم در انتها رو بخونید) . به همین منظور کارتهای ۶۴ بیتی اصلا مناسب نیستند و همینطور کارتهای ۱۲۸ به بالا با توجه به معماری اونها باید انتخاب بشه . دقت کنید که با جدید شدن معماری ها و حافظه اونها پهنای باند کارتها هم خیلی دستخوش تغییر میشه و براحتی میشه دید که بعنوان مثال کارت ۱۲۸ بیتی مثل GTX960 از یه کارت با رابط ۲۵۶بیتی مثل GTX560 خیلی بیشتره!(در حد ۲ برابر !) برای مقایسه پهنای باند مدلهای مختلف میتونید از اینجا استفاده کنید.(دقت کنید مدلهایی M دارن از مدل دسکتاپ خیلی ضعیف تر هستن. بعنوان مثال ۹۶۰M (با ۸۰ گیگ) رو با ۹۶۰ معمولی(با ۱۱۲ گیگ پهنای باند) اینجا مقایسه کنید) پس در زمان خرید همیشه سعی کنید کارت های جدید تر رو بخرید و حتما حافظه کارت شما از نوع GDDR5 و یا جدیدتر باشه. به هیچ وجه کارتی که میخرید  DDR3 نباشه 

خب همه این صحبت ها شد حالا چه کارتهایی با توجه به بازار امروز پیشنهاد میشه ؟

من به ترتیب بر اساس قیمت/قدرت/آینده نگری پیشنهادات خودم رو عنوان میکنم و در ادامه باز توضیحات تکمیلی رو میدم .

  1. TitanXp Pascal-12Gig*
  2. TitanX Pascal-12Gig
  3. GTX 1080 TI -11Gig*
  4. TitanX Maxwell-12Gig
  5. GTX 10808Gig
  6. GTX 10708Gig
  7. GTX 980 TI-6Gig
  8. GTX 10606Gig
  9. GTX 980-4Gig
  10. GTX 960-4Gig
  11. GTX 950-4Gig
  12. *GTX 970-4Gig

اینها کارتهایی هستن که من پیشنهاد میکنم اگر کسی قصد کار کردن تو این حوزه رو داره تهیه کنه. اول پیشنهاد میشه ۱۰۸۰GTX تهیه کنید. باز هم پیشنهاد میکنم ۱۰۸۰GTX رو تهیه کنید. اگر بودجه اش واقعا وجود نداره حتما برید سراغ GTX1070 . همه سعیتون رو بکنید که این کارت رو تهیه کنید باز اگر نشد دوباره سعی کنید این کارت رو تهیه کنید! اگر باز دیدید نشد گزینه بعدی ۹۸۰TI هست اگر در بازار دست دومش رو گیر بیارید خوبه اگر نه GTx1060 با ۶ گیگ رم تهیه بشه. اینجا یه مکث خیلی معناداری هست به این معنی که از این به بعد اصلا پیشنهاد نمیشه . ۶ گیگ حجم حافظه حداقلی هست که برای معماری های جدید حساب میشه . بی برو برگرد سعی کنید این کارت تهیه بشه . از این پایین تر کارت قدرتمند GTX980 هست که از لحاظ قدرت و پهنای باند خیلی عالیه اما حافظه اون بشدت تاثیر منفی روی انعطاف شما میزاره و دست شما رو در تست معماری های عمیق تر و یا پیچیده تر میبنده.

یه نکته ای رو من تو پرانتز بگم . ممکنه بعضی از شماها بگید “من که نمیخوام از مدل خیلی عمیق استفاده کنم مثلا همین الکس نت یا VGGnet هم کار منو راه میندازه یا حتی مدلهای کم عمق تر و من تو اینترنت هم دیدم کسایی که حافظه ۴ گیگ و یا حتی ۲ گیگ هم داشتن تونستن تست کنن و مشکلی نبوده! پس اونقدرا هم حافظه مهم نیست!” ابدا اینطور فکر نکنید!

الزما با عمیق کردن نیست که حافظه مصرف میشه . استفاده از تکنیک های جدید و الگوریتم های جدید هم حتی اگر عمق شبکه شما زیاد نباشه باعث مصرف حافظه زیادی میشه . الگوریتم هایی مثل Batch-Normalization سربار حداقل ۳۰ درصدی به شبکه اضافه میکنن و مصرف حافظه افزایش پیدا میکنه خصوصا اگر قبل هرکدوم از لایه ها از این لایه استفاده شده باشه و یا استفاده از توابع غیرخطی مثل maxout و امثالهم و خیلی موارد دیگه . علاوه بر اون خیلی از همون افراد که یکیش خود من هم بودم مشکلات زیادی بابت این قضیه داشتن و اینم در نظر بگیرید که دو سه سال قبل با الان خیلی فرق میکنه هم از نظر معماری هایی که وجود داشت و هم الگوریتم های جدید و هم کارتهای گرافیکی . سه سال پیش اهمیت نداشت نگران چیزی بیشتر از الکس نت باشن!  هنوز خیلی ها استارت نزده بودن و با کمی تغییرات میشد دقت ها رو بهبود داد اما حالا معماری های عمیق تر الگوریتم های پیچیده تر وارد شدن که نیازمند اینه افراد با توجه به اینها پیش برن و حواسشون به آینده و دستاوردهای جدید هم باشه که مجبور به هزینه دوباره نشن تا بتونن از یک معماری یا الگوریتم جدید استفاده کنن! و اینم بدونید که خیلی ها هم که میبینید در مورد مثلا GTX750 یا کارتهای قدیمی تر سوال کردن بعدها عملا سویچ کردن رو کارتهای قویتر چون در عمل متوجه شدن و دیدن چه مشکلات و محدودیت هایی ایجاد میشه. بعضی از این افراد هم صرفا برای تست و آزمایشگاه از اون کارتها استفاده میکردن و تمام . بدون استثنا محققایی که میبینید تو این زمینه فعالیت میکنند بصورت جدی یا از TitanX استفاده میکنن و یا GTX1080 اون هم بصورت چندتایی (از لفظ SLI نمیشه استفاده کرد چون کارتها بصورت مجزا مورد استفاده قرار میگرن و فقط تنسورفلو هست که امکان مدیریت بهتر رو به برنامه نویس میده (خبری از SLI نیست)). نکته مهم دیگه بر اساس تجربه ای که من کسب کردم و خودم از کارت قدیمی و متوسطی مثل GTX750 با ۲ گیگ رم شروع کردم و بعدا به کارتی مثل GTX980 اپگرید کردم دقیقا میدونم یک فردی که استارت کارش رو بزنه با چه چیزهایی مواجه میشه . پس اینجا بمن اعتماد کنید و سعی کنید مشکلات آینده خودتون رو با پیشنهادی که دادم خدمتتون کم کنید.

این حوزه هنوز خیلی بکره و هرکسی میتونه با ایده های تازه و جدید خودش دستاورد بزرگی داشته باشه برای اینکه بتونید ایده های مختلف خودتون رو تست کنید لازمه سخت افزار حداقلی هم داشته باشید که این امکان رو از لحاظ زمانی بشما بده .

نکته بعدی در مورد کارت GTX970 هست که من بعنوان آخرین کارت گذاشتم! در صورتی که رابط ۱۹۲ بیتی داره و بسیار قدرتمنده (بعد از GTX980 از بقیه قویتره) . این کارت در صورتی که شما حجم حافظه ای کمتر از ۳ تا ۳٫۵ گیگابایت اشغال کنید سرعتش عالیه اما به محض اینکه از محدوده ۳٫۵ گیگابایت گذشتید بشدت پرفورمنسش کاهش پیدا میکنه . این قضیه در اینجا کاملا مشخص هست (پهنای باند بین کارت ۹۸۰GTX و ۹۷۰GTX رو ببینید خصوصا زمانی که از ۳٫۵ گیگ میگذره ) این مشکل اختصاصی این کارت هست و برای همین هم اصلا پیشنهاد نمیشه برای اینکار.همونطور که گفتم GTX1070 و GTX1060 پیشنهاد میشن به همه .

خب فکر میکنم برای بخش اول همینقدر کافی باشه .

در بخش دوم ما در مورد اهمیت CPU و رم سیستم هم صحبت میکنیم و همینطور من سعی میکنم یک بنچمارک و قیاس عینی تر از تفاوت بین کارتها رو نشون بدم.

همینطور دوست دارم اگر فرصت شد در مورد نسل بعد و تغییراتی که در این زمینه قراره رخ بده صحبت کنم (FP16 و…) و همینطور cudnn و تفاوت کارایی در زمانی که ازش استفاده میشه و وقتی نمیشه!

بخش بعدی :مقایسه بین CPU و GPU و کاراتهای مختلف با هم 

 

آپدیت :۱۸ فروردین ۹۶  : 

خب یکی دوماهی میشه که سری کارتهای جدید انویدیا هم وارد شدن کارت GTX1080 TI 11 Gig رم داره و از تایتان ایکس سری مکسول قویتره و شونه به شونه تایتان ایکس پاسکال فعالیت میکنه (از یک معمای استفاده میکنن) .
در سری جدید کارت TitanXp وارد شده که هنوز ۱۲ گیگ حافظه داره اما پهنای باند و تعداد هسته های کودای اون افزایش پیدا کرده.
نکته خیلی مهم اینجاست که قیمت GTX1080TI هم رده قیمت GTX1080 شده و قیمت GTX1080 100 دلار حداقل کاهش پیدا کرده . تو ایران هم این کاهش قیمت رو شاهد بودیم و کارت ۳ میلیون و ۳۰۰ هزارتومنی یک شبه شده ۲ میلیون و ۳۰۰ هزارتومن.
در حال حاضر بهترین کارت از نظر قیمت /کارایی کارت GTX1080TI هست و در رتبه بعدی GTX1080 (اگه تایتان ایکس مکسول با قیمت مناسب گیر اوردید خوبه تهیه اش کنید وگرنه همین ۱۰۸۰) .
مابقی کارتها هم به باید کاهش قیمت رو داشته باشن طی ماه های آتی انشاءالله. پس در خرید کارتها این موارد رو در نظر داشته باشید.

آپدیت ۲۰ فروردین ۹۶ : 

علاوه بر صحبتهایی که بالا شد پیشنهادات زیر هم هست که توسط تیم دتمرس تو وبلاگش عنوان شده . من پیشنهادات ایشون رو پایین میارم یکسری نکته هم در انتها گفتم بخونید .

پیشنهادات  :

بهترین کارت گرافیک فعلی : Titan Xp
کمی گرونقیمت اما فوق العاده کارآمد : GTX 1080 Ti, GTX 1070, GTX 1080
خوش قیمت و کارایی خوب :  GTX ۱۰۶۰ (۶GB)
اگر با دیتاست هایی بزرگتر از ۲۵۰ گیگابایت کار میکنید :    Titan X Maxwell اگه دسته دوم گیر اوردید وگرنه Titan X Pascal اگر تفاوت قیمت با Xp فاحش نبود NVIDIA Titan Xp
اگه بودجه مالی کمی دارید : GTX 1060 6GB (ورژن ۳ گیگ اون هم هست اونو تهیه نکنید!اصلا)
اگه وضع بودجه مالی خیلی خرابه! : GTX 1050 Ti 4GB
اگر قصد شرکت در رقابت های کاگل رو دارید: GTX 1060 6GB برای رقابت های عادی مناسبه , اما برای رقابت های یادگیری عمیق GTX 1080 Ti  پیشنهاد میشه.
بعنوان محقق حرفه ای بصورت تخصصی در حوزه یادگیری عمیق فعالیت میکنید : NVIDIA Titan Xp اگر تایتان ایکس مکسول یا پاسکال دارید نیازی به اپگرید نیست
اگر یه محقق هستید: GTX 1080 Ti. در بعضی شرایط مثل پردازش زبان طبیعی ممکنه ,  GTX 1070 یا GTX 1080 هم انتخاب خوبی باشن منتها حتما به نیازمندی های مدلهای فعلیتون توجه کنید
اگر قصد ایجاد یه gpu-cluster دارید یه نگاهی به اینجا بندازید 
اگر دیپ لرنینگ رو  تازه شروع کردید و بصورت جدی قصد دارید ادامه اش بدید : با یک  GTX 1060 6GB شروع کنید و بعد بر اساس حوزه ای که بعدا انتخاب میکنید میتونید این کارت رو بفروشید و یه کارت مناسب تر تهیه کنید
تفننی میخوایید تست کنید ببینید چیه داستان! : GTX 1050 Ti 4 یا  ۲GB

 

قیمت ها :

۱۰۵۰TI الان از ۸۱۵ هزارتومن تا ۱ میلیون قیتش هست که شما ارزون ترینش رو تهیه کنید. ارزشی نداره بابت این کارت پول بیشتری بدید.
۱۰۶۰ با ۶ گیگ رم هم از یک میلیون و دویست هزارتومن تا یک میلیون و پونصد هزار تومن قیمتشه.
۱۰۷۰  هم با ۸ گیگ رم از ۱ میلیون و نهصد تا دو میلیون و سیصد هزارتومن قیمتش هست
۱۰۸۰ هم با ۸ گیگ رم از ۲ میلیون و چهارصد (پیشنهاد ویژه) هزارتومن تا سه میلیون و سیصد هزارتومن هست
GTX980 هم قیمتی حدود یک میلیون تا یک میلیون و دویست هزارتومن داره(نو) بجای GTx1050 این کارت پیشنهاد میشه به احتمال قوی بصورت دسته دوم با قیمت مناسب میتونید از انجمن لیون کامپیوتر یا persiantools تهیه کنید.(هرچند پیشنهاد اولیه تهیه یه کارت خوبه و اگر هزینه نیست کارتهای دسته دوم میتونن به مراتب انتخاب بهتری باشن)
GTX1080 TI هم تا چند ماهه دیگه وارد بازار میشه . قیمت اون ۷۰۰ دلاره . داخل کشور بیاد به احتمال زیاد بجای قیمت فعلی GTX1080 میشینه یعنی قیمتی حدود ۳۱۰۰ تا ۳ میلیون و سیصد هزارتومن باید باشه . با ورود این کار کارتهای GTX1080 آف میخورن (باید بخورن قیمت جهانی اونا ۱۰۰ دلار حداقل کاهش داشته و ۴۵۰ دلار ۵۰۰ دلار فروخته میشن) . به همین نسبت میشه انتظار کاهش قیمت در کارتهای دیگه هم داشت .

 

درباره سید حسین حسن پور متی کلایی

سید حسین حسن پور متی کلایی
موسس و مدیر سایت. اطلاعات در مورد فعالیت های کاری و تحصیلی : linkedIn . برای ارتباط از بخش تماس با ما یا در باره من استفاده کنید.

این مطالب را نیز ببینید!

یادگیری عمیق یا Deep learning چیست؟ بخش اول

بسم الله الرحمن الرحیم سلام به همگی , امروز میخوام درمورد یادگیری عمیق صحبت کنم …

53 دیدگاه‌ها

  1. سلام.بسیار متشکرم بابت جمع اوری وانتشار این مطالب بسیار مفید.ممنون میشم در صورت امکان در مورد کاربرد پردازنده هایی مثله FPGA در شبکه های کانولوشن
    توضیحاتی بدید.

    • سید حسین حسن پور متی کلایی

      سلام .
      کارتهای گرافیک در سیستم های کامپیوتری استفاده دارن اما وقتی شما بخوایید یک محصول ارائه کنید دیگه قرار نیست یه کارت گرافیک به همراه یک سیستم کامل هم در نظر بگیرید تنگ محصولتون! نه عملیه و نه عاقلانه! چون هزینه تمام شده محصولتون خیلی افزایش پیدا میکنه بکنار مسائل امنیتی و یا حتی مصرف توان هم چالش بزرگی میشه و از طرفی در بعضی موارد اصلا ممکن نیست
      برای همین در سیستم های توکار (embedded systems) خبری از این کارتهای گرافیک قدرتمند نیست. برای این جور سیستم ها تا جایی که من اطلاع دارم از بوردهای خاصی مثل Tesla K40 , Jetson TX1 , Tesla K80 و… از انویدیا و یا FPGA ها استفاده میشه و بصورت اختصاصی برای کار مورد نظر مورد استفاده قرار میگیره .
      البته این هم باید گفته بشه که FPGA ها محدودیت های پردازشی زیادی دارن برای همین اموزش یه شبکه عمیق و پچیده یا عملی نیست یا خیلی سخته برای همین یکسری معماری های جدید هم در این باره اومدن که شاید این مقاله خوندنش بد نباشه (تاکید روی بخش دوم و تاریخچه و کارهای انجام شده هست و خوندن مقالاتی مثل SqueezeNet )
      این قبیل موارد رو بچه های برق و خصوصا بچه های سخت افزار کامپیوتر خیلی خوب میدونن من وارد نیستم زیاد.
      از طرفی خوندن این مطلب و این مقاله و همینطور این لینک هم پیشنهاد میشه

  2. سلام
    ممنون از توضیحاتتون
    یه سوال داشتم. من الان می خوام شروع کنم برای بحث deep learning و احتمالا هم با شبکه های RNN , LSTM برای داده های sequential. در کل پیشنهادتون استاده از cloud هست یا خرید gpu? من با تنسورفلو کار میکنم.
    با تشکر

  3. سلام
    میخواستم بدانم کارت گرافیک
    aspeed graphics family (wddm) برای اجرای cnn در متلب یا caffe ضعیف می باشد؟
    متشکرم

  4. سلام .
    بنابر گفته هاتون در مورد کارت ۹۷۰ در صورتی که از دوتای این کارت همزمان استفاده بشه ، چقدر تاثیر داره ؟‌

    • سید حسین حسن پور متی کلایی

      سلام .
      از لحاظ سرعت پردازش و اموزش خیلی سریعتر میشه اما در حال حاضر هیچکدوم از کتابخونه ها و چارچوب های یادگیری عمیق حافظه ها رو تجمیع نمیکنن. یعنی شما بعنوان مثال در کفی میتونید مدلی رو آموزش بدید که در حافظه هر کارت گرافیک جا بشه.(محدودیت رو حافظه کمتر مشخص میکنه)
      بزارید یک مثال بزنم اگه دوتا کارت داشته باشید یکی ۴ گیگ یکی ۲ گیگ شما میتونید مدلی رو اجرا کنید که در ۲ گیگ جا بشه!
      اینطور بعنوان مثال کفی میاد شبکه رو بصورت موازی روی دوتا کارت اجرا میکنه (و اندازه بچ شما دو برابر میشه) و نتایج ترکیب و خروجی بشما داده میشه .
      تنها سودی که این کار داره سریعتر انجام شدن فاز اموزش هست .
      حالا شما میتونید همین نکته رو در مورد ۹۷۰ هم تعمیمش بدید. یعنی شما دوتا کارت ۹۷۰ استفاده کنید اولا کماکان همون محدودیت ۴ گیگ حافظه رو دارید. و حتما شبکه شما باید فضایی کمتر از ۳٫۵ گیگ اشغال کنه تا بمشکل نخورید .
      نکته مثبتش فقط این میشه که عملیات آموزش چند برابر سریعتر پیش میره
      به همین دلیل هم هست که همییشه پیشنهاد میشه بجای استفاده از چند کارت گرافیک با حافظه کم از یه کارت گرافیک قوی تر با حافظه زیاد استفاده کنید. (مگه اینکه بدونید معماریتون زیر ۴ گیگ خواهد بود و کارتها هم ارزون یا در دسترس هستن . در این حالت خب دندون اسب پیش کشی رو نمیشمارن! و از هرچی دارن استفاده میکنن)
      البته این نکته رو هم باید بگم که در بین فریم ورکها من تنها تنسورفلو رو دیدم که شما میتونید بار پردازشی رو مشخص کنید روی چه چیزی باشه . یعنی میتونید مشخص کنید کدوم بخش از کد شما روی کارت گرافیک ۱ کدوم روی سی پی یو و کدوم روی کارت گرافیک ۲ و الی اخر اجرا بشه
      البته در ظاهر این خیلی خوبه اما در عمل بکار گیری اون همچین بدون چالش و راحت هم نیست.

  5. من حدود یک سالی هست که تو این حوزه فعالیت میکنم من تقریبا سعی کردم توی چالش هایی که توسط kaggle برگزار میشه شرکت کردم ، اما به دلیل نداشتن کارت گرافیک درست حسابی نتونستم مدل های عمیق رو از scratch آموزش بدم و در بیشتر موارد از vgg16 و resnet استفاده کردم . هفته پیش یه مدل NLP رو روی اشعار حافظ آموزش دادم و نتایجی تقریبا خوبی گرفتم .

    متاسفانه به علت تحریم امکان دسترسی به AWS نیست و بیشتر محققین ایرانی از این سرویس بهره مند نیستند .سوالم اینه اگه کسی تمایل به کار گروهی داره ؟

  6. سلام با تشکر از مطالب مفید و سایت بسیار خوبتون
    سوال من در مورد استفاده deep در حوزه ی صوت هست. چون صوت یک ارایه هست و مثل تصویر ماتریس نیست و اصولا حجم محاسبات شدیدا پایین میاد بازم نیاز به استفاده از کارت گرافیک هست برای اموزش؟
    اگر جواب مثبته چه کارتی مناسبه؟
    با تشکر

    • سید حسین حسن پور متی کلایی

      سلام
      بحث همیشه روی اندازه ورودی نیست . به معماری خیلی زیاد بستگی داره و معمولا همین مساله اس.
      بسته به بودجه و کاری که میخوایید انجام بدید میشه پیشنهادهای مختلفی داد .
      من یکسری پیشنهاد در همین بخش دادم و میتونید با همین سلسله مراتب پیش برید .

  7. سلام .
    وقت بخیر و خسته نباشید .
    من فعلا رو کارت گرافیکی ل‍پتاپم می تونم حساب کنم
    Geforce GT 640M Le
    میشه لطفا نظرتون رو بگید و بفرمایید تا کجا می تونم باهاش پیش برم ؟

    • سید حسین حسن پور متی کلایی

      سلام .
      تست کردن برای شما ضرری نداره . برای تست های اولیه مشکلی نیست میتونید استارت بزنید آشنا بشید با این حوزه و با کفی یا تنسورفلو و… و خودتون ببینید مراحل ترینینگ با توجه به دیتاستتون و معماری انتخابی چقدر طول میکشه .
      اما اینکه بخوایید واقعا وارد فاز تحقیقاتی بشید تو این زمینه قطعا به مشکل میخورید. چون یک بخش فاز تحقیقات تست و آزمایش و استفاده از دستاوردهای قبلی تو این زمینه اس مثل معماری های بهتر الگوریتم های بهتر و…
      و اینها بطور خلاصه به معنی افزایش بار پردازشیه(عموما و نه الزاما همیشه).
      فقط هم بحث مثلا حافظه نیست که معماری من تو حافظه جا بشه، بحث مدت زمان مورد نیاز برای اموزش هم هست. شما قائدتا دوست دارید که خیلی سریع بتونید با پارامترهای زیادی که دارید بازی کنید و ایده های مختلفتون رو پیاده کنید. این فقط وقتی میسره که شما سخت افزار خوبی داشته باشید تا زمان زیادی رو از دست ندید برای هر تست! برای همین به این مسائل توجه کنید تاا بعدا مشکلی براتون نباشه .
      من خودم اول با یه GTX750 استارت زدم و تقریبا ۶ماه باهاش ادامه دادم و بعد دیگه واقعا نمیتونم و زمان خیلی زیادی ازم میگیره اموزشها و دستم خیلی میبنده و بعد ۶ ۷ ماه مجبور شدم یه کارت گرافیک قویتر بگیرم. شما هم میتونید این مسیر رو برید با چیزی که دارید استارت بزنید بعد در ادامه ارتقا بدید اگر دیدید لازمه براتون.

  8. سلام من کارت گرافیک لپتابم مدل زیر هست
    NVIDIA GeForce GT 940M 2GB
    بنظرتون جوابگو هست؟

    • سید حسین حسن پور متی کلایی

      سلام .
      با کارت شما میشه اجرا گرفت اما فقط مدلهای خیلی سبک و کوچیک .
      بهترین کار برای اینکه متوجه کاستی کارتتون بشید اینه که سعی کنید یکسری مثال رو اجرا کنید.
      محدودیت ۲ گیگابایت کارت سوای قدرت پایین اون، باعث میشه بشدت تو زمینه استفاده ازمعماری های جدید یا باز بودن دستتون تو اعمال تغییرات محدود بشید. برای همین تمام کارتهایی که مثال زدیم حداقل حداقلش ۴ گیگ معرفی شدن.
      نکته بعدی زمان اجرا هست. اینکه میگیم فلان کارت خوب نیست از لحاظ پردازشی بخاطر اینه که زمان زیادی طول میکشه تا یک عملیات رو انجام بده و در زمان تحقیق و تست شما دنبال این هستید که سریع نتیجه کار رو ببینید. نه اینکه برای هر تغییر کوچیکی مدت خیلی زیادی صرف بشه.
      برای همین اگه بصورت جدی بدنبال کار و تحقیق تو این حوزه هستید بشدت پیشنهاد میشه دنبال تهیه کارت قدرتمندتری باشید بر اساس نکاتی که بالا گفته شد .

  9. با سلام و عرض ادب و احترام
    دو تا سوال از خدمتتان داشتم. اول اینکه آیا هنوز سامانه Cloudای در ایران راه اندازی نشده که سرویس های پردازشی دیپ لرنینگ رو ارایه بده؟
    دوم اینکه شما فرمودید که سایز بچ تاثیر زیادی بر روی دقت نهایی مدل ها می گذاره؛ می شه لطفا در این مورد یکمی بیشتر توضیح بدید؟‌ یعنی مثلا معمولا خوبه که سایز بچ رو چقدر انتخاب کنیم (با چند تا epoch)؟ اگر به دلیل کم بودن حافظه کارت گرافیک مجبور شدیم که سایز بچ رو کم انتخاب کنیم؛ چه راه حلی براش وجود داره تا مدل دقتش افزایش پیدا کنه؟
    ممنون از لطف شما

    • سید حسین حسن پور متی کلایی

      سلام
      تا جایی که من اطلاع دارم هنوز خیر.
      اندازه epoch که حکم کلی نداره و وابسته به دیتاست و معماری شماست . اما اندازه بچ معمولا بین ۶۴، ۱۰۰ تا ۵۱۲ بسته به دیتاست پیشنهاد میشه .
      اندازه دیتاست نباید خیلی کوچیک باشه و نباید خیلی بزرگ باشه . قبلا یک مقاله در این مورد کار کرده بود و نتایجش رو ارائه کرده بود الان اسمش خاطرم نیست اما یادم میاد تو بخش پرسش و پاسخ این مطرح شده بود و اونجا جواب دادم . یک سرچ کنید اونجا رو باید بتونید پیدا کنید.
      چیزی که اهمیت داره بچ ترینینگ هست . برای همین وقتی حافظه کم باشه بچ تست رو کم میکنن . در حالتی که باز مشکل باشه کلا تست در حین ترینینگ انجام نمیشه (روی ولیدیشن ست منظورم هست) تا اینکه ترینینگ تا یک تعداد ایپاک خاصی پیش بره بعد جداکانه تست میگیرن .
      خود کفی هم یک تنظیمی در بخش solverش هست که اجازه میده بچ موثر از ضرب تکرار در بچ، مشخص بشه . یعنی شما نمیتونی مثلا از بچ ۱۲۸ استفاده کنی. میایی بچ رو مینویسی مثا ۶۴ بعد در سالور یک اندازه تکرار مشخص میکنی که هرچند تکرار اون اندازه بچ شما بدست بیاد . مثلا برای رسیدن به بچ ۱۲۸ ما دوتکرار نیاز داریم انجام بشه روی بچ ۶۴ . پس مینویسیم iter_size: 2 .

  10. با سلام
    من میخواستم از طرف دانشگاه برای کارهای در حد پروژه دکتری، یک gpu تهیه کنم اینجور که از نوشته های شما متوجه شدم GTI 1080 TI برای این زمینه مناسب هست، درسته؟

  11. سلام. خیلی ممنونم به خاطر توضیحات جامع و کاملتون. واقعا مفید بود.
    فقط یک سوالی داشتم از خدمتتون:
    اینکه لب تاب من یک لب تاب قدیمی دل هست. که cpu T6670 – 2.20GHz داره و گرافیکشم یکه!! با توجه به این موضوع و با توجه به قیمت‌های بالای کارت‌های گرافیک به نظرتون مناسب تر اینه که لب تاب جدیدی خریداری بشه یا اینکه میشه همین سیستم رو به حد قابل قبولی ارتقا داد؟

  12. درباره این سرویس‌ها یک توضیح مختصری میدید؟
    و اینکه درخرید لب تابی که مناسب کار در زمینه یادگیری عمیق باشه اگر نکته خاصی باید مورد توجه باشه ممنون میشم بگید؟ حتی اگر ممکنه بگید چه مارک‌هایی از لب تاب‌ها خوبن؟

    • سید حسین حسن پور متی کلایی

      سلام در نظر دارم یک پست در این باره بدم اما فعلا یکم سرم شلوغ هست .
      این سرویس های ابری هستن برای اجرای پروژه های دیپ لرنینگ میتونید استفاده کنید. اولی سرویس رایگان گوگل هست که یکی از بچه ها قبلا توضیحش رو داده اینجا بخونید خیلی خوبه : http://smalek.blog.ir/1396/11/11/%D8%B1%D8%A7%D9%87%D9%86%D9%85%D8%A7%DB%8C-%DA%AF%D9%88%DA%AF%D9%84-%DA%A9%D9%88%D9%84%D8%A8-Google-Colaboratory
      علاوه بر اون سرویس دوم هم مثل امازون aws یک سرویس ابری هست که میتونید سرویس تهیه کنید و برای اجرای پروژه های خودتون استفاده کنید. قیمتهاش هم خوبه و مهمتر از بقیه اینه که از ایران هم پشتیبانی میکنه .
      در مورد لپ تاپ برای حوزه یادگیری عمیق دقت کنید که کارت گرافیک قوی(از کارتهای انویدیا باشه نه amd) داشته باشه (مدلها بالا قید شدن و اینکه چه نکاتی باید لحاظ بشن گفته شده ) بعد انتخاب میتونید یکبار دیگه هم سوال کنید تا مطمئن بشید .

  13. سلام لپ تاپی که من دارم کارت گرافیک جی فورس ۹۲۰ داره میخواستم بدونم این کارت گرافیک برای دیتا بیس با حجم داده کم می تونه پاسخگو باشه برای شروع کار. چون برای ذیتا بیس اصلی دانشگاه جی پی یو در اختیارم قرار میدهد

  14. ممنون از توضیحات مفیدتون
    من روی سیستمم یک gtx1050ti دارم. احتمالا برای پایان نامه ی ارشد بخوام بخشی از کار رو با caffe انجام بدم. با خوندن این مطلب واقعا نگران شدم که به مشکل بخورم.
    به نظرتون لازمه که کارت گرافیکم رو عوض کنم؟ و اگر مجبور به تعویض کارت بشم آیا باید تمام مراحل نصب caffe رو از اول انجام بدم ؟؟

    • سید حسین حسن پور متی کلایی

      سلام
      اینکه تعویض کنید یا نه بستگی به کار خودتون داره . کارتون رو استارت بزنید بعد اگر دیدید کفاف کار شما رو نمیده تعویضش کنید
      برای شروع دوباره پیشنهاد میکنم از نسخه لینوکس استفاده کنید که هم از کودا تولکیت ۹ و هم cudnn 7 پشتیبانی میکنه که خیلی بهبود نسبت به کودا ۸ و cudnn v5.1 دارن. نسخه ویندوز کفی ماه هاست که بروز نشده و برای اینکه آخرین بهبودها رو داشته باشید بهتره از لینوکس استفاده کنید
      اما اینکه کارت گرافیک عوض شد آیا کفی نیاز به کامپایل مجدد داره یا نه بله

      • من در حال حاضر با اوبونتو ۱۶.۰۴ کار میکنم و از تولکیت های cuda9 و cudnn7 رو هم نصب کردم. اما برای نصب لینوکس و درایور nvidia و انواع ملزومات کفی مثل همین cuda و cudd و opencv و … خیلی اذیت شدم و چندین روز وقتم روگرفت.
        حالا اگر من کارتم رو عوض کنم تمام این مراحل رو باید از اول انجام بدم یعنی ؟؟

        • ببخشید چندین غلط املایی دارم.

        • سید حسین حسن پور متی کلایی

          سلام. نه . کودا و cudnn رو نیازی به پیکربندی دوباره ندارید حتی اگر هم داشته باشید هیچ نگرانی نداره حذف اونها و استفاده از ورژن جدید خیلی ساده است. برای درایور هم جای نگرانی نیست . بعید میدونم نیازی به نصب دوباره درایور داشته باشید (خود من که از ۹۸۰ به ۱۰۸۰ رفتم هیچ مشکلی نداشتم)

          البته اگه خدا بخواد من تا اخر امشب یک آموزش کامل برای نصب کودا و درایور و… در اوبونتو ۱۶.۰۴ قرار میدم و بعدتر فیلمی هم که موقع نصب کردن رو سیستم خودم گرفتم میزارم .
          سعی کردم قدم به قدم توضیح بدم یه گام هایی نیازه و چرا و قبل و بعد اقدام به نصب چکار باید کرد.

          • خیلی ممنون از اینکه وقت میذارین و به سوالات پاسخ میدین.
            من همیشه برای نصب و یادگیری نرم افزارها به انگلیسی سرچ می کردم چون معمولا در سرچ فارسی نتیجه ی به درد بخوری حاصل نمیشد.
            به صورت اتفاقی با این سایت آشنا شدم و واقعا خوشحالم که پیداش کردم. یک محیط علمی با حضور افراد متخصص و باتجربه که می تونم سوالاتم رو به سادگی مطرح کنم و به سرعت پاسخ بگیرم.
            بی نهایت سپاسگذارم و خدا رو شکر میکنم به خاطر وجود چنین افرادی در جامعه ی علمی کشور

          • سید حسین حسن پور متی کلایی

            سلام
            خواهش میکنم.
            آموزش نصب درایور و کودا تولکیت و cuDNN در اوبونتو ۱۶٫۰۴ در سایت قرار گرفت.

  15. سلام دوست عزیز.
    سپاس و تشکر بابت مقاله خوب‌تون.

    من یک سوال داشتم و اون این هست که با توجه به اینکه لیست کارت‌های گرافیکی که معرفی فرمودید مربوط به سال ۹۶ هست خواستم بدونم الان توی اردیبهشت ۹۷ بهترین کارت گرافیک موجود در بازار چی هست؟ و در چه بازه‌ی قیمتی؟

    خیلی خیلی ممنون میشم از راهنمایی‌تون.

  16. سلام
    ممنون بابت توضیحات کاملتون
    من چون دانشجو هستم مجبورم که لپتاپ تهیه کنم و خب گرافیکهایی گفتید با قیمتهای لپتاپها اصلا دانشجویی نیستند 🙂
    مورد بعدی در مورد حافظه هست
    من برای ارشد باید روی تصویر کار کنم و خب با تمام محدودیت ها باید خریدی کنم که واقعا پاسخگو باشه
    به نظر شما متعادل ترین کارت گرافیکی برای این حوزه هست چه مدلیه؟ متعادل هم از نظر قیمت و هم از نظر کارایی
    ممنون

    • سید حسین حسن پور متی کلایی

      سلام
      متاسفانه قیمتها نامنصفانه بالا رفته هم بخاطر بیت کوین و هم دلار.
      چندتا کار هست که میشه انجام داد منتها اول بودجه تقریبی خودتون رو بگید تا بشه بهتر راهنمایی کرد .

      • هرچی کمتر قاعدتا بهتره اما پول فشار بیاره بهتر از خریدن چیز به درد نخوره.
        تا چهار پنج میلیون منطقیه برام. بیشتر شدنش بستگی به میزان کارایی که لازمه یعنی ی میلیون به زور دادن بهتره ی چیزی بخرم جوابگو نباشه

        • سید حسین حسن پور متی کلایی

          سلام
          همه تمرکزتون روی تهیه لپ تاپی باشه که حداقل GTX1060 با ۶ گیگ حافظه باشه (نسخه ۳ گیگابایتی اون هم هست) . و وقتی لپ تاپی رو دیدید حتما تو اینترنت سرچ کنید تو بنچ مارکها ببینید چطوره .
          اگر واقعا دیگه نتونستید چیزی پیدا کنید GTX1050TI با ۴ گیگ رم رو بخرید. یادتون باشه الان اکثر مدلها فضای رم زیادی میگیرن و اذیت میشید احتمالا تو تست و کار (چون ماهیت کار تحقیقاتی هست)
          میتونید با سویچ کردن روی پای تورچ تا حدی این مساله رو برطرف کنید چون مدیریت حافظه پای تورچ فوق العاده است . معماری ای که در کفی یا تنسورفلو مثلا ۴ گیگ فضا میگیره اینجا ۲ گیگ فضا اشغال میکنه و شاید کمتر
          ولی باز با همه این تفاسیر بشدت توصیه میشه از کارتی که حافظه بیشتری داره مثل ۱۰۶۰ و یا بیشتر استفاده کنید و فقط در صورتی که دیگه راهی نیست به کارت کمتر بسنده کنید.
          ضمنا اگر ممکنه سعی کنید دنبال یه لپ تاپ دسته دوم باشید اگر مقدوره با گرافیک ۱۰۷۰ یا ۱۰۶۰ که شاید (اگر مورد خوب و سالمی باشه) بهتر بکارتون میاد.
          سری های acer معمولا قیمت بهتری با توجه به کانفیگ ارایه میکنن اما شما خوب تحقیق کنید.

  17. سلام. من برای پایان نامه ام از یادگیری عمیق استفاده میکنم. اول کار هستم و میخوام لپ تاب بخرم. با توجه به وضیعیت الان بازار و قیمت ها هزینه زیادی نمیتونم بدم بیشتر از ۱۰ تومن هم اصلا مقدور نیسیت. به نظرتون چه مدلایی میتونم بخرم با توجه به اینکه خیلی از مدل ها ناموجوده تو بازار؟

    • سید حسین حسن پور متی کلایی

      سلام. خرید لپ تاپ که اصلا ممکن نیست . تنها راهی که شما دارید استفاده از PC هست .
      که خیلی مقرون به صرفه تر از لپ تاپ میتونید یه سیستم اماده کنید.
      اگه منزل PC دارید کافیه یه کارت گرافیک واحتمالا یه پاور بگیرید
      و سعی کنید یه گرافیک دسته دوم بگیرید مثلا با ۲ ۳ تومن یه ۱۰۷۰ میتونید بگیرید (یا یه ۱۰۶۰ نو)
      پاور هم حدود ۵۰۰ الی ۷۰۰
      و دیگه مشکلی ندارید .
      اگه PC هم ندارید میتونید یه سیستم دسته دوم از ایسام بگیرید (هم میتونید مادربرد و سی پی یو و… بگیرید و هم کیس کامل) برای این هم سعی کنید از سری هزول یا همون سوکت ۱۱۵۰ استفاده کنید (رم ddr3) تا از نظر قیمتی براتون خیلی بصرفه تراز نسل جدید باشه.از ۲ تومن تا ۳ ۴ تومن کیس هست که اگه خوب انتخاب کنید و پاور و رم مناسب داشته باشن میمونه یه گرافیک که اونو تهیه میکنید و تمام.
      یکسری کیس آماده هم هست مثل این مورد که خیلی خوبه . بتونید همینم بگیرید خوبه .ولی بگردید تو حوزه قیمت ۱۰ تومن ۱۱ تومن موارد دیگه هم هست. ولی حتما مشخصات سیستم رو دقیق بگیرید (این سری ۱۱۵۰ هست رم ddr3 . )

  18. سلام
    ممنون از مطالب خوبتون
    يه سوال دارم: شما گفتيد كارت گرافيك حداقل ۶GB. آيا اين كارت گرافيك رو كه نو ديجي كالا هست تاييد ميكنيد؟
    سازنده پردازنده گرافیکی
    NVIDIA
    مدل پردازنده گرافیکی
    GeForce GTX 1050 Ti GDDR5
    حافظه اختصاصی پردازنده گرافیکی
    ۴GB

    كار من در زمينه ديپ لرنينگ با ديتاي بزرگ هست.
    با تشكر

    • سید حسین حسن پور متی کلایی

      سلام. برای استارت بد نیست اما برای تحقیقات اذیت میشید هم از نظر سرعت پردازش هم از نظر محدودیت حافظه .
      اگه میتونید هزینه بیشتر کنید یکم بزارید روش سعی کنید یه ۱۰۶۰ حداقل بگیرید یا اگه میتونید یه ۱۰۷۰ بگیرید (کارتهای دسته دوم هم بتونید بگیرید خیلی خوبه ولی سعی کنید گارانتی داشته باشن حتما )
      اگه واقعا نمیتونید بیشتر هزینه کنید دیگه با همین برید جلو

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

This site uses Akismet to reduce spam. Learn how your comment data is processed.