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

85 7,324

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.البته اخیرا AMD شروع به پشتیبانی جدی تری در این حوزه کرده و با ارائه rocm و ارائه نسخه های بروز فریم ورکهای تراز اول مثل تنسورفلو و پای تورچ برای کارتهای مبتنی بر AMD قدم های خوبی برداره. برای اطلاعات بیشتر انتهای این بخش رو ببینید.

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.(در نسخه اخیر کفی شما باید از compute capability 3.0 به بالا استفاده کنید) اگر ار تنسورفلو میخوایید استفاده کنید (پکیج های آماده اش) باید حتما کارت گرافیک شما compute capability 3 به بالا داشته باشه. (آخرین نسخه تنسورفلو در حال حاضر حداقل نیازمند compute capability 3.5 هست) این قضیه برای torch هم صادقه.(از نسخه۰٫۳ پایتورچ فقط از کارتهای با compute capabilty 5.0 به بالا پشتیبانی میشه.) 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 لیست کارتهای مختلف و وضعیت پشتیبانی اونها از compute capalibity رو مشاهده میکنید :

لیست GPU ها و پشتیبانی اونها از Compute Capabilityو CUDA :

لیست کارتها و مشخصات compute capability اونها

بسم الله الرحمن الرحیم

  • CUDA SDK 6.0 پشتیبانی از compute capability نسخه  ۱٫۰ الی ۳٫۵٫ (Tesla, Fermi, Kepler)
  • CUDA SDK 6.5 پشتیبانی از compute capability نسخه ۱٫۱ الی ۵٫x  (سری Tesla, Fermi, Kepler, Maxwell) . آخرین نسخه ای هست که از compute capability نسخه  ۱٫x پشتیبانی میکنه (Tesla)
  • CUDA SDK 7.5 پشتیبانی از compute capability نسخه   ۲٫۰ الی ۵٫x  (سری  Fermi, Kepler, Maxwell)
  • CUDA SDK 8.0  پشتیبانی از compute capability نسخه  ۲٫۰ الی ۶٫x (سری Fermi, Kepler, Maxwell, Pascal) . آخرین نسخه با پشتیبانی از compute capability نسخه  ۲٫x (مربوط به سری Fermi)
  • CUDA SDK 9.0/9.1/9.2 پشتیبانی از compute capability  نسخه ۳٫۰ الی ۷٫۲ (سری Kepler, Maxwell, Pascal, Volta)
  • CUDA SDK 10.0 پشتیبانیcompute capability از نسخه   ۳٫۰ الی ۷٫۵ (سری Kepler, Maxwell, Pascal, Volta, Turing)
Compute
capability
(version)
Micro-
architecture
GPUs GeForce Quadro, NVS Tesla Tegra,
Jetson,
DRIVE
۱٫۰ Tesla G80 GeForce 8800 Ultra, GeForce 8800 GTX, GeForce 8800 GTS(G80) Quadro FX 5600, Quadro FX 4600, Quadro Plex 2100 S4 Tesla C870, Tesla D870, Tesla S870
۱٫۱ G92, G94, G96, G98, G84, G86 GeForce GTS 250, GeForce 9800 GX2, GeForce 9800 GTX, GeForce 9800 GT, GeForce 8800 GTS(G92), GeForce 8800 GT, GeForce 9600 GT, GeForce 9500 GT, GeForce 9400 GT, GeForce 8600 GTS, GeForce 8600 GT, GeForce 8500 GT,
GeForce G110M, GeForce 9300M GS, GeForce 9200M GS, GeForce 9100M G, GeForce 8400M GT, GeForce G105M
Quadro FX 4700 X2, Quadro FX 3700, Quadro FX 1800, Quadro FX 1700, Quadro FX 580, Quadro FX 570, Quadro FX 470, Quadro FX 380, Quadro FX 370, Quadro FX 370 Low Profile, Quadro NVS 450, Quadro NVS 420, Quadro NVS 290, Quadro NVS 295, Quadro Plex 2100 D4,
Quadro FX 3800M, Quadro FX 3700M, Quadro FX 3600M, Quadro FX 2800M, Quadro FX 2700M, Quadro FX 1700M, Quadro FX 1600M, Quadro FX 770M, Quadro FX 570M, Quadro FX 370M, Quadro FX 360M, Quadro NVS 320M, Quadro NVS 160M, Quadro NVS 150M, Quadro NVS 140M, Quadro NVS 135M, Quadro NVS 130M, Quadro NVS 450, Quadro NVS 420, Quadro NVS 295
۱٫۲ GT218, GT216, GT215 GeForce GT 340*, GeForce GT 330*, GeForce GT 320*, GeForce 315*, GeForce 310*, GeForce GT 240, GeForce GT 220, GeForce 210,
GeForce GTS 360M, GeForce GTS 350M, GeForce GT 335M, GeForce GT 330M, GeForce GT 325M, GeForce GT 240M, GeForce G210M, GeForce 310M, GeForce 305M
Quadro FX 380 Low Profile, Nvidia NVS 300, Quadro FX 1800M, Quadro FX 880M, Quadro FX 380M, Nvidia NVS 300, NVS 5100M, NVS 3100M, NVS 2100M, ION
۱٫۳ GT200, GT200b GeForce GTX 295, GTX 285, GTX 280, GeForce GTX 275, GeForce GTX 260 Quadro FX 5800, Quadro FX 4800, Quadro FX 4800 for Mac, Quadro FX 3800, Quadro CX, Quadro Plex 2200 D2 Tesla C1060, Tesla S1070, Tesla M1060
۲٫۰ Fermi GF100, GF110 GeForce GTX 590, GeForce GTX 580, GeForce GTX 570, GeForce GTX 480, GeForce GTX 470, GeForce GTX 465, GeForce GTX 480M Quadro 6000, Quadro 5000, Quadro 4000, Quadro 4000 for Mac, Quadro Plex 7000, Quadro 5010M, Quadro 5000M Tesla C2075, Tesla C2050/C2070, Tesla M2050/M2070/M2075/M2090
۲٫۱ GF104, GF106 GF108, GF114, GF116, GF117, GF119 GeForce GTX 560 Ti, GeForce GTX 550 Ti, GeForce GTX 460, GeForce GTS 450, GeForce GTS 450*, GeForce GT 640 (GDDR3), GeForce GT 630, GeForce GT 620, GeForce GT 610, GeForce GT 520, GeForce GT 440, GeForce GT 440*, GeForce GT 430, GeForce GT 430*, GeForce GT 420*,
GeForce GTX 675M, GeForce GTX 670M, GeForce GT 635M, GeForce GT 630M, GeForce GT 625M, GeForce GT 720M, GeForce GT 620M, GeForce 710M, GeForce 610M, GeForce 820M, GeForce GTX 580M, GeForce GTX 570M, GeForce GTX 560M, GeForce GT 555M, GeForce GT 550M, GeForce GT 540M, GeForce GT 525M, GeForce GT 520MX, GeForce GT 520M, GeForce GTX 485M, GeForce GTX 470M, GeForce GTX 460M, GeForce GT 445M, GeForce GT 435M, GeForce GT 420M, GeForce GT 415M, GeForce 710M, GeForce 410M
Quadro 2000, Quadro 2000D, Quadro 600, Quadro 4000M, Quadro 3000M, Quadro 2000M, Quadro 1000M, NVS 310, NVS 315, NVS 5400M, NVS 5200M, NVS 4200M
۳٫۰ Kepler GK104, GK106, GK107 GeForce GTX 770, GeForce GTX 760, GeForce GT 740, GeForce GTX 690, GeForce GTX 680, GeForce GTX 670, GeForce GTX 660 Ti, GeForce GTX 660, GeForce GTX 650 Ti BOOST, GeForce GTX 650 Ti, GeForce GTX 650,
GeForce GTX 880M, GeForce GTX 780M, GeForce GTX 770M, GeForce GTX 765M, GeForce GTX 760M, GeForce GTX 680MX, GeForce GTX 680M, GeForce GTX 675MX, GeForce GTX 670MX, GeForce GTX 660M, GeForce GT 750M, GeForce GT 650M, GeForce GT 745M, GeForce GT 645M, GeForce GT 740M, GeForce GT 730M, GeForce GT 640M, GeForce GT 640M LE, GeForce GT 735M, GeForce GT 730M
Quadro K5000, Quadro K4200, Quadro K4000, Quadro K2000, Quadro K2000D, Quadro K600, Quadro K420, Quadro K500M, Quadro K510M, Quadro K610M, Quadro K1000M, Quadro K2000M, Quadro K1100M, Quadro K2100M, Quadro K3000M, Quadro K3100M, Quadro K4000M, Quadro K5000M, Quadro K4100M, Quadro K5100M, NVS 510, Quadro 410 Tesla K10, GRID K340, GRID K520
۳٫۲ GK20A Tegra K1,
Jetson TK1
۳٫۵ GK110, GK208 GeForce GTX Titan Z, GeForce GTX Titan Black, GeForce GTX Titan, GeForce GTX 780 Ti, GeForce GTX 780, GeForce GT 640 (GDDR5), GeForce GT 630 v2, GeForce GT 730, GeForce GT 720, GeForce GT 710, GeForce GT 740M (64-bit, DDR3), GeForce GT 920M Quadro K6000, Quadro K5200 Tesla K40, Tesla K20x, Tesla K20
۳٫۷ GK210 Tesla K80
۵٫۰ Maxwell GM107, GM108 GeForce GTX 750 Ti, GeForce GTX 750, GeForce GTX 960M, GeForce GTX 950M, GeForce 940M, GeForce 930M, GeForce GTX 860M, GeForce GTX 850M, GeForce 845M, GeForce 840M, GeForce 830M, GeForce GTX 870M Quadro K1200, Quadro K2200, Quadro K620, Quadro M2000M, Quadro M1000M, Quadro M600M, Quadro K620M, NVS 810 Tesla M10
۵٫۲ GM200, GM204, GM206 GeForce GTX Titan X, GeForce GTX 980 Ti, GeForce GTX 980, GeForce GTX 970, GeForce GTX 960, GeForce GTX 950, GeForce GTX 750 SE, GeForce GTX 980M, GeForce GTX 970M, GeForce GTX 965M Quadro M6000 24GB, Quadro M6000, Quadro M5000, Quadro M4000, Quadro M2000, Quadro M5500, Quadro M5000M, Quadro M4000M, Quadro M3000M Tesla M4, Tesla M40, Tesla M6, Tesla M60
۵٫۳ GM20B Tegra X1,
Jetson TX1,
DRIVE CX,
DRIVE PX
۶٫۰ Pascal GP100 Quadro GP100 Tesla P100
۶٫۱ GP102, GP104, GP106, GP107, GP108 Nvidia TITAN Xp, Titan X, GeForce GTX 1080 Ti, GTX 1080, GTX 1070 Ti, GTX 1070, GTX 1060, GTX 1050 Ti, GTX 1050, GT 1030, MX150 Quadro P6000, Quadro P5000, Quadro P4000, Quadro P2000, Quadro P1000, Quadro P600, Quadro P400, Quadro P5000(Mobile), Quadro P4000(Mobile), Quadro P3000(Mobile) Tesla P40, Tesla P6, Tesla P4
۶٫۲ GP10B[20] Tegra X2, Jetson TX2, DRIVE PX ۲
۷٫۰ Volta GV100 NVIDIA TITAN V Quadro GV100 Tesla V100
۷٫۲ GV10B[21] Tegra Xavier,
Jetson AGX Xavier, DRIVE AGX Xavier, DRIVE AGX Pegasus
۷٫۵ Turing TU102, TU104, TU106 NVIDIA TITAN RTX, GeForce RTX 2080 Ti, RTX 2080, RTX 2070, RTX 2060 Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Quadro RTX 4000 Tesla T4

 

در زیر کارتهای مختلف با compute capability 3 به بالا مشخص شدن (با بردن ماوس روی هر لیست اطلاعات compute capability اون رو میتونید به تفکیک 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
  4. داشتن TensorCore

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 

با ورود سری جدید کارتهای گرافیک Nvidia لیست زیر دستخوش تغییراتی میشه. کارتهای جدید Nvidia از قابلیت جدیدی بنام Tensor core ها بهره میبرند که مختص شبکه های عصبی طراحی شدند. این تنسور کورها سرعت ترینینگ شما رو چند برابر افزایش میدند و خصوصا در کنار mixed precision training حافظه به مراتب کمتر و سرعت به مراتب بیشتری خواهید داشت. در مورد mixed precision training من انشاءالله سر فرصت توضیح کامل میدم اما خیلی خلاصه اشاره به استفاده از fp16 بجای fp32 در محاسبات اعشاری داره (دلیل mixed precision بودن هم اینه که جاهایی که ممکنه این کاهش دقت برای ترینینگ مشکل ایجاد کنه از fp32 کماکان استفاده میشه(برای همین بهش میگن mixed precision البته فقط محدود به fp16 و fp32 نیست ولی اینها عمومیت بیشتری دارن) برای همین و به این شکل تقریبا مصرف حافظه نصف و پرفورمنس خروجی کارت هم تقریبا ۲ برابر میشه (در کارتهای معمولی که از تنسورکور استفاده نمیکنند). در کارتهایی که از تنسورکور استفاده میکنند افزایش پرفورمنس به چند برابر میرسه.  با توجه به این نکته و فعال شدن بحث mixed precision tranining برای اینکه بیشترین کارایی رو داشته باشید استفاده از کارتهایی که از این قابلیت استفاده میکنند در اولویت قرار داره. کارتهایی مثل GTX2080 دوبرابر از کارتی مثل GTX1080TI سریعتره

 

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. Titan V Volta 12GB HBM2-12Gig*
  2. RTX 2080 TI-12Gig
  3. RTX 2080-8Gig**
  4. RTX 2070 Super-8Gig
  5. RTX 2070-8Gig*
  6. TitanX Pascal-12Gig
  7. GTX 1080 TI –11Gig
  8. TitanX Maxwell-12Gig
  9. RTX-2060 Super-8Gig
  10. GTX 1080-8Gig
  11. RTX 2060-6Gig*
  12. GTX 1070TI-8Gig
  13. GTX 1070-8Gig
  14. GTX 980 TI-6Gig
  15. GTX 1060-6Gig
  16. GTX 980-4Gig
  17. GTX 960-4Gig
  18. GTX 950-4Gig
  19. *GTX 970-4Gig

نکته مهم :

بج های اولیه سری کارتهای RTX انویدیا مشکل زیادی دارن (همه انواع از ۲۰۸۰ گرفته تا ۲۰۶۰ ) و نرخ خرابی در اونها زیاده. این مشکلات در بچ های بعدی برطرف شده. اگه کارت رو خودتون خریدید و گارانتی داره مشکلی ندارید اما اگر کارت رو دسته دوم میخوایید تهیه کنید به تاریخ تولید اون دقت کنید و ترجیحا سعی کنید کارتهای تولید شده سال ۲۰۱۸ رو نخرید! (اولین بچ این کارتها اگوست ۲۰۱۸ تولید شده). بنظر میاد کارتهای تولید شده در سال ۲۰۱۹ و بعدش مشکلی از این جهت ندارن.

نکته دوم :

سر جدیدی تحت عنوان super عرضه شده. که نسبت به مدل پایه قویترن. به همین دلیل در صورت وجود تفاوت قیمت فاحش بین این دو مدل سعی کنید مدل سوپر رو بگیرید. اگر قیمت سوپر بالاس اما هنوز فاصله فاحشی نسبت به کارت قویتر بعدی داره (مثلا rtx2060 super کارایی نزدیک به rtx2070 داره با ۸ گیگ رم اینجا اگه قیمت ۲۰۶۰ به قیمت ۲۰۶۰ super نزدیکتره و فاصله زیادی با قمیت ۲۰۷۰ داره سوپر ۲۰۶۰ رو بگیرید. اما اگر قیمت سوپر ۲۰۶۰ با ۲۰۷۰ تفاوت چندانی نداره همون ۲۰۷۰ رو بگیرید )

نکته مهم برای کارت های گرافیک AMD :

کارت های گرافیک AMD سابقا در زمینه یادگیری عمیق پشتیبانی بسیار ضعیفی داشتند بصورتی که عملا در فریم ورکهای مطرح تنها کارتهای گرافیک ساخت شرکت NVidia پشتیبانی میشد و مورد استفاده قرار میگیرفت. این مساله البته مدتی هست که تا حدودی تغییر کرده و شرکت AMD شروع به ارایه پشتیبانی در این زمینه کرده. البته این پشتیبانی گسترده نیست و فعلا فقط از لینوکس پشتیبانی میشه. شما میتونید نسخه های مبتنی بر  ROCm (RadeonOpenCompute) فریم ورکهایی مثل Tensorflow و Pytorch رو از اینجا دانلود و نصب کنید.  دقت کنید نسخه ها همیشه بروز نیستند و چندین ماه ممکنه طول بکشه تا نسخه ای بروز رسانی بشه. این پورتها برای کسانی هست که کارت گرافیک AMD دارند و قصد دارند از یادگیری عمیق استفاده کنند و متحمل خرید کارت گرافیک جدید نشن./ از خرید کارتهای گرافیک AMD برای استفاده در یادگیری عمیق تا زمانی که پشتیبانی مناسب وجود نداره بشدت پرهیز کنید.

لیست سخت افزارهایی که پشتیبانی میشن رو میتونید از اینجا مشاهده کنید.

 

پیشنهاد مربوط تا ابتدای سال ۱۳۹۷ :
  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.(یا الان که GTX170TI اومده اونو 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! حتی معماری های مثلا بهینه ای مثل MobileNet که فلاپس کمی دارن مصرف حافظه زیادی دارن و این قضیه در معماری هایی نظیر دنزنت و یا condensenet که افتضاحه!. 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 چون اون مختص بازی هست)). 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 : ۳۰ دی ماه ۱۳۹۷ :

متاسفانه طی یکسال اخیر قیمت ها بطرز بدی افزایش پیدا کردند و تهیه کارت گرافیک رو برای دانشجویان و محققان عزیز با مشکل مواجه کرده. کارتهای جدیدی هم وارد بازار شده و من لیست خرید رو با توجه به کارتهای جدید بروز کردم.

از اونجایی که اکثر دانشجوها وضعیت مالی مناسبی ندارند سعی کنید از کارتهایی مثل RTX2060 استفاده کنید. که به نسبت سری ۱۰۷۰ سریعتره و بطور ویژه چون از تنسورکور پشتیبانی میکنه در زمان استفاده از mixed precision training/inference مشکل حافظه نخواهید داشت (حافظه شما تقریبا ۲ برابر میشه). پس اولویت شما با خرید کارتهایی باشه که از تنسورکور استفاده میکنند. البته با ورود این کارتها قیمت کارهای قبلی هم پایین میاد و میتونید از اونها هم استفاده کنید. فقط موقع خرید دسته دوم دقت کنید کارتها برای mining استفاده نشده باشند. اگر کارتی با قیمت خیلی پایین داره بفروش میرسه حتما شک کنید. چون کار ترینینگ یک پروسه طولانی مدت هست و معمولا با لود ۱۰۰ درصد رو جی پی یو استفاده از کارتهایی که تحت ماینینگ بودند و وضعیت کولینگ مناسبی نداشتن اصلا پیشنهاد نمیشه چون ممکنه خیلی زود مشکل ایجاد کنند.

اگه از نظر هزینه در مضیقه هستید ترجیح اولتون این باشه در سایتهایی مثل لیون کامپیوتر و پرشین تولز و امثالهم بدنبال خرید کارتهای دسته دوم باشید (که ترجیحا چندماهی از گارانتی اونها باقی مونده باشه) و فرصت تست داشته باشید نرم بازار اینه که قیمت دست دوم ۳۰ ۳۵ درصد کاهش قیمت داره ولی خب بسته به انصاف فروشنده و کارکرد و… این درصد بالا پایین میتونه بشه. میتونید از سیستم واسطه لیون استفاده کنید و یا از فروشنده های معتبر که در انجمن این سایتها فعالن خرید کنید. معمولا خرید اینطوری مناسب تره .

اگر وضعیت مالی خوبی دارید که مشخصه انتخابهای زیادی دارید. اگر وضعیت مالی خوبی ندارید گزینه های رایگان رو قبلا در سایت معرفی کردم . یکی از اونها Google Colab هست . دیگری سایت vast.ai هست که قیمت های بسیار خوبی برای اجاره سیستم داره. و میتونید بصورت رایگان معمولا برای چند ساعت (از یک ساعت تا بیشتر بسته به سرویسی که انتخاب میکنید) ترین انجام بدید. اگر هم خواستید میتونید اجاره کنید. سرویس های AWS امازون و گوگل هم هست. گوگل یک سرویس ۳۰۰ دلاری رو به دانشجوها ارائه میکنه که البته ما تحریمیم در کشور ولی خب عزیزانی که خارج از کشور هستن میتونن به این هم نگاهی بندازن.

کلا الان خرید کارتهای سری پاسکال پیشنهاد نمیشه (یعنی سری ۱۰۸۰ ۱۰۷۰ ۱۰۶۰ ) چون قیمت مثلا RTX2070 که خیلی قوی تر از یه GTX1080 و GTX1080TI هست از برند ایسوز سری ROG که از گرون قیمت ترین هاس ۶۳۰ دلاره و در ایران هم الان ۱۱ میلیون تومان(دیجی کالا) و ۱۰ میلیون سیصد هزار تومان (در لیون کامپیوتر) فروش میره. ولی GTX1080 حدود ۸ الی ۹ میلیون و سری TI اون هم ۱۰ الی ۱۷ میلیون تومنه!!! و درسته اینجا GTX1080TI حافظه بیشتری داره اما چون اصل و برنامه ریزی روی استفاده از fp16 و کمتر هست از نظر حافظه مشکلی ندارید و از نظر سرعت هم که خیلی سریعتره.

سری های ارزونتر ۲۰۷۰ از ۵۰۰ دلار شروع میشه و تا ۵۳۰ دلار هم هست. و احتمالا قیمتش در ایران حدود ۵ میلیون ۶ میلیون و خورده ای خواهد بود.

قیمت کارت RTX2080 هم از ۷۲۰ دلار شروع میشه و تا ۹۰۰ دلار وجود داره. تو ایران قیمت کارت Founders Edition الان ۱۴ میلیون تومن فروش میره . سری  RTX2080 TI هم که قیمت سرسام آوری داره از ۱۲۰۰ دلار شروع میشه و تا ۱۸۰۰ دلار هم میرسه! با این قیمتهای سرسام آور دلار بعیده بصورت زیاد وارد کشور بشه و در صورت ورود هم قیمتی بین ۱۵ تا ۲۵ میلیون تومن میشه براش متصور بود.

پس قیمت ها :

RTX 2080 TI : فعلا نامشخص (قیمت حدودی ۱۵ الی ۲۵ میلیون تومان )
RTX 2080-8Gig : بین ۱۳ الی ۱۵ میلیون تومان
RTX 2070-8Gig : بین ۱۰ میلیون الی ۱۱ میلیون تومان
RTX 2060-6Gig : بین ۵ الی ۶ میلیون تومان

تا جای ممکن سعی کنید از سری Turing (سری جدید انویدیا کارتهای با شماره (RTX20xx) ) تهیه کنید. معمولا الان قیمتها مناسبه و احتمال اینکه طی یکی دو ماه اینده باز افزایش داشته باشیم هست .
ولی خب قیمتهای سری پاسکال هم بصورت زیره . همونطور که میبینید تقریبا خرید هیچکدوم از این کارتها توجیحی نداره مگر اینکه با قیمت خیلی کم تهیه بشن.(البته باز عرض میکنم ممکنه الان این قیمتهای خیلی خوب باشن و باز یکی دو ماه دیگه قیمت ها بره بالا. و همین هم غنیمت بشه کما اینکه ۱۰۸۰ دو میلیون و چهارصد هزارتومن بیشتر نبود سال ۹۶ و الان شده ۶ ۷ میلیون تومن!)

GTX1080 TI : بین ۱۰ الی ۱۷ میلیون تومان
GTX1080-8Gig : بین ۵ میلیون و پانصد الی ۸ میلیون و هفتصد هزار تومان
GTX170 TI-8Gig : بین ۴ میلیون  الی ۶ میلیون و ششص هزار تومان
GTX1070-8Gig : بین ۴ میلیون الی ۵ میلیون و ششصد هزار تومان
GTX1060-6Gig: بین ۲ میلیون و سیصد الی ۳ میلیون و هفتصد هزار تومان

 

تا جایی که میتونید سعی کنید از کارتهای معروف به FE یا Founders edition خرید نکنید (این کارتها کلاک پایین تری دارن و کولینگ مناسبی هم ندارن و برای ترینینگ های طولانی مدت توصیه نمیشن مگر در یک حالت که جلوتر میگم). قیمت کارتهای Founders edition معمولا کمتر از نسخه های دیگه هست.فقط در صورتی از این کارتها استفاده کنید که یا قصد دارید چندتا کارت رو کنار هم استفاده کنید یا اینکه تهویه مناسب در کیس ندارید اصلا (از کارتهای اصطلاحا blower باید استفاده کنید یعنی مکش به بیرون داشته باشن نه کارتهایی که دو تا فن یا سه تا فن باز دارن اگر از اونها استفاده بخوایید بکنید حتما حتما باید جریان هوای کافی وجود داشته باشه و مستقیما چند فن به کارتها بزنن تا ثرمال ثراتل نکنن یا مشکلی پیش نیاد)

 

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 .

85 نظرات
  1. vahid68 می گوید

    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.

    1. سید حسین حسن پور متی کلایی می گوید

      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. Isaac می گوید

    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

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      هزینه تمام شده برای خودتون رو باید ببینید. هرکدوم براتون صرفه بیشتری داره اونو انتخاب کنید.
      در مورد cloud هم الان سرویسی فعلا فعال نیست تو ایران ولی بنظرم قراره اگر مشکلی پیش نیاد یکی از شرکتا تا قبل عید یه کارایی بکنه .قیمتها و پلن هاشو ببینید بعد بهتر میتونید تصمیم بگیرید.

      1. Isaac می گوید

        سلام
        به خاطر تحریم هاست؟ همه کلودها؟! آمازون-مایکروسافت؟ میشه اطلاعاتی از دلیل این عدم دسترسی توی سایت هاشون به دست آورد؟

        1. سید حسین حسن پور متی کلایی می گوید

          بله هیچ شرکت خارجی ای از ایران پشتیبانی نمیکنه . مگر اینکه چینی باشه (در داخل خاک چین) که شاید اونها پشتیبانی کنن.
          استفاده از شرکتهای خارجی بخاطر تحریم تا جایی که من اطلاع دارم ممکن نیست.

          1. سینا کرمی می گوید

            با سلام
            دوستان جدیدا یه شرکت فعالیتش و تو ایران شروع کرده که کارت گرافیک مختلف برای یادگیری عمیق و یادگیری ماشین ارائه میکنه. من ازشون برای یه هفته سرویس گرفتم. شرکت آسا پرداز آریسا.من درخواست تخفیف کردم بهم دادن . حتی رم بیشتر از پلن هاشون نیاز داشتم برام کاستومایز کردن

            1. سید حسین حسن پور متی کلایی می گوید

              سلام.
              من سیستمشون رو دیدم برای یه سناریوی عملی قابل استفاده نیست.
              هزینه بسیار زیادی طلب میکنن که اگه کسی بخواد اون هزینه رو بکنه خیلی راحت میتونه از سرویس دهنده های خارجی که از ایران پشتیبانی میکنن مثل فلوید هاب و… بهره ببره که چند برابر سخت افزار قوی تری ارائه میکنن (قابل قیاس نیست اصلا!)

      2. Isaac می گوید

        سلام
        توی microsoft azure اسم ایران هست. شما مطمئنید ساپورت نمیکنه؟ چطور میشه مطمون شد؟

        1. Isaac می گوید

          سلام
          azure انگار ساپورت نمی کنه.

  3. مریم می گوید

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

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      فقط کارتهای Nvidia بصورت رسمی پشتیبانی میشن
      البته اگه پشتیبانی از OpenCL این کارت ارائه میکنه میتونید از برنچ OpenCL کفی استفاده کنید. ولی تا مشخصات کارت رو ندید نمیشه اظهار نظر کرد

  4. سودابه می گوید

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

    1. سید حسین حسن پور متی کلایی می گوید

      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. Ali می گوید

    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 ؟

    1. سید حسین حسن پور متی کلایی می گوید

      اگه حوزه کاری رو مشخص کنید و در گروه تلگرام مطرح کنید فیدبک مناسب رو فکر کنم بگیرید.
      معمولا این چیزا رو تو گروه مطرح میشه

  6. فرشید می گوید

    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

    1. سید حسین حسن پور متی کلایی می گوید

      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. حسین می گوید

    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 ؟

    1. سید حسین حسن پور متی کلایی می گوید

      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. […] بخش اول : کدام کارت گرافیک برای یادگیری عمیق مناسب است؟… […]

  9. star می گوید

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

    1. سید حسین حسن پور متی کلایی می گوید

      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 .

  10. محسن می گوید

    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

    1. سید حسین حسن پور متی کلایی می گوید

      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 .

  11. elecstar می گوید

    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؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام . بله صد در صد .
      فعلا چون در بازار ایران TitanXp وجود نداره و تا جایی که اطلاع دارم لیون کامپیوتر سری GTX 1080 TI رو فقط آورده اونم با قیمت خیلی خوب. این کارت پیشنهاد میشه . الان تایتان ایکس ۳۲۰۰ تا ۳۴۰۰ فروش میره (چند ماه پیش این قیمت سری ۱۰۸۰ بود که تقریبا نصب این کارت قدرت داره )

      1. elecstar می گوید

        ممنونم از جوابتون، بعد ببخشید چطور باید تهیه کنم؟ یا جایی میشناسید که مطمین باشه؟

        1. سید حسین حسن پور متی کلایی می گوید

          بله میتونید از لیون کامپیوتر تهیه کنید که کاملا مطمئن هست http://lioncomputer.ir

  12. Azita می گوید

    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؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      بله قیمتهای کارت گرافیک بخاطر بیت کوین ماینینگ خیلی بالا رفته الان بهترین کار استفاده از سرویس رایگان گوگل https://colab.research.google.com و یا سرویس پولی https://www.floydhub.com/ هست که ایران رو پشتیبانی میکنه .
      به غیر از اینها بله خرید یه لپ تاپ الان عاقلانه ترین کار هست.

  13. Azita می گوید

    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؟

    1. سید حسین حسن پور متی کلایی می گوید

      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 .

      1. Azita می گوید

        سپاسگزارم از راهنمایی‌هاتون. ممنون.

  14. i95 می گوید

    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

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      برای استارت اولیه و آشنایی مقدماتی خوبه مشکلی نباید داشته باشید (البته این کارت قوی ای نیست ولی خب برای استارت میتونید استفاده کنید)

  15. […] افزار و بستر مورد نیاز جهت آموزش مدلهای عمیق است. در دو مقاله قبلی ما به بررسی کارتهای گرافیک مناسب پرداختیم و سعی کردیم تا […]

  16. spring می گوید

    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 ؟؟

    1. سید حسین حسن پور متی کلایی می گوید

      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

      1. spring می گوید

        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 ؟؟

        1. spring می گوید

          ببخشید چندین غلط املایی دارم.

        2. سید حسین حسن پور متی کلایی می گوید

          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.

          1. spring می گوید

            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

            1. سید حسین حسن پور متی کلایی می گوید

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

  17. فرشاد می گوید

    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.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      نه کارتهای جدید هنوز وارد بازار نشدن و کما فی السابق همون کارتهای قبلی پیشنهاد میشن.
      اول تایتان ایکس پی . بعد ۱۰۸۰TI بعد ۱۰۸۰ و الی اخر.

  18. مهرداد می گوید

    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

    1. سید حسین حسن پور متی کلایی می گوید

      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 .

      1. مهرداد می گوید

        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

        1. سید حسین حسن پور متی کلایی می گوید

          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.

  19. […] افزار و بستر مورد نیاز جهت آموزش مدلهای عمیق است. در دو مقاله قبلی ما به بررسی کارتهای گرافیک مناسب پرداختیم و سعی کردیم تا […]

  20. سمانه می گوید

    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؟

    1. سید حسین حسن پور متی کلایی می گوید

      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 . )

  21. ايمان می گوید

    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

    1. سید حسین حسن پور متی کلایی می گوید

      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

  22. سعیده می گوید

    با سلام
    من میخوام در مورد Echo state network و Liquid State Machine مطالعه کنم ولی با خواندن مقالات چیزی دستگیرم نشد. فیلم اموزشی فارسی میتونید بهم معرفی کنید ؟ یا چیزی که بتونم با خوندنش متوجه بشم کامل ؟ ممنون از راهنماییتون.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام. نه متاسفانه من منبع فارسی نمیشناسم

  23. محمدرضا می گوید

    سلام

    من تازه میخوام تو این زمینه کار کنم برای پایان نامه ام میخوام از معماریVGG16 برای شناسایی و طبقه بندی تصاویر استفاده کنم خواستم بدونم به کارت گرافیک خیلی قوی نیاز دارم یا با کارتgforce 840m که دارم میتونم کام رو راه بندازم؟

    درضمن دیتاستی که دارم یه بخش train داره میتونم از اون استفاده کنم؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      VGGNet‌یکی از سنگین ترین و غیربهینه ترین معماری هاست. الان معماری های مختلف و جدیدتری اومدن که سربار خیلی کمتری دارن و دقت مناسب تری هم ارایه میکنن به اونها نگاه بندازید و سعی کنید از اون استفاده کنید.
      گرافیکتون ضعیفه کلا ولی اینکه برای کار شما مناسب هست یا نه بسته به ماهیت کارتون (و شرایطی مثل اندازه دیتاست و شبکه انتخابی شما) داره .
      من نمیدونم دیتاست شما چیه اما معمولا یک بخش برای ترینینگ هست که با اسم train مشخص میشه و یک بخش هم برای test که از تست یا validation براش استفاده میشه (بعضی ها هم ولیدیشن جدا و تست جدا دارن . بعضی ها هم کلا یک پوشه از تصاویر هستن که خودتون باید یک بخشی رو برای ترین استفاده کنید و یک بخشی رو برای تست یا ولیدیشن (معمولا به نسبت ۲۰ ۸۰ یا ۳۰ ۷۰ جدا میکنند و استفاد میکنند )
      در هر صورت باید به صورت مساله اتون بپردازید و ببیند اونجا چی مطرح شده.

      1. محمدرضا می گوید

        سلام
        از اینکه وقت میذارید و به سوالات پاسخ میدید کمال تشکر رو دارم.

        اگه امکانش هست معماری جدیدی که بهینه هست و به گرافیک زیادی هم نیاز نداره معرفی کنید؟

        من ۲ تا دیتاست دارم (۱گیگ و ۴ گیگ) که تصاویری از حالت های مختلف رانندگان هست و میخوام اینا رو دسته بندی کنم(مثلا خوردن یا صحبت با موبایل)

  24. محمدرضا می گوید

    سلام
    از اینکه وقت میذارید و به سوالات پاسخ میدید کمال تشکر رو دارم.

    اگه امکانش هست معماری جدیدی که بهینه هست و به گرافیک زیادی هم نیاز نداره معرفی کنید؟

    من ۲ تا دیتاست دارم (۱گیگ و ۴ گیگ) که تصاویری از حالت های مختلف رانندگان هست و میخوام اینا رو دسته بندی کنم(مثلا خوردن یا صحبت با موبایل)

    1. سید حسین حسن پور متی کلایی می گوید

      معماری های زیادی وجود دارند. هم میتونید از انواع رزنت استفاده کنید هم موبایل نت و هم سیمپل نت ۲ (که البته این مدل از پیش ترین شده ایمیج نت نداره)
      سرعت اینها و مصرف حافظه اشون از ویجی جی نت (بسته به مدل انتخابی ) خیلی بهینه تره.
      رزنت ۱۸ دقتی در حد وی جی جی نت ۱۶ میده و موبایل نسخه ۱ هم انواع مختلفی داره (نسخه دوم اون هم هست و میتونید استفاده کنید)

  25. مسعود می گوید

    سلام و عرض ادب
    من تازه میخوام وارد حوزه یادگیری عمیق بشم و فقط به پایتون مسلطم. الان که دنبال مطلب بودم متوجه مشکل GPU شدم بنده cpu و گرافیکم amd هست الان با این مطالب یکم سردرگم شدم آیا با استفاده از سرورهای مجازی و ابری میتونم کار کنم ی باید حتما سخت افزار مناسب رو تهیه کنم؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      دیفالت کار ما فعلا با کارتهای انویدیا هست اما فریم ورکهای معروف پشتیبانی غیررسمی از کارتهای گرفیک AMD و INTEL رو دارن .
      سرورهای معمولی بدرد کار شما نمیخورن باید از gpu server ها استفاده کنید . در حال حاضر بهترین قیمت رو میتونید از vast.ai بدست بیارید که خیلی عالیه.
      floyd hub هم هست که فکر میکنم ایران رو پوشش بده اما قیمتش خیلی بیشتره .
      امازون aws و گوگل کولب هم هست که در سایت معرفی کردم .
      اینها اپشنهای شماست برای خدمات ابری .
      اگه رو سیستم خودتون میخوایید ترین کنید اول مشخص کنید چه فریم ورکی میخوایید کار کنید بعد نسخه مبتنی بر OPenCL یا rocm رو بگیرید.
      تنسورفلو الان رو بورسه و از نظر کاربر و اموزش و منابع براش اوله . نسخه rocm که از کارتهای AMD پشتیبانی میکنه رو میتونید از اینجا بگیرید
      در حال حاضر (یعنی ۸ دی ۱۳۹۷) این کارتها پشتیبانی میشن :
      https://github.com/RadeonOpenCompute/ROCm/blob/master/README.md
      اگر از کفی میخوایید استفاده کنید نسخه OpenCL اش هم هست که از ریپازیتوری اصلی میتونید دانلود کنید.

      1. مسعود می گوید

        ممنون از راهنمایی و توجهتون
        بله تنسورفلور مد نظرم هست که به بهترین شکل شما جهت دادید
        تشکر

  26. م. می گوید

    سلام و وقت بخیر.تشکر بابت توضیحات کامل شما.در رابطه با GPU های معرفی شده منبعی میشناسید که مادربوردهای سازگار با کارت گرافیک ها رو گفته باشه ممنون.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام. برای خرید مادربرد باید به چیپست مادربرد و پشتیبانی از نسل PCI-Express ش نگاه کرد. الان تقریبا همه مادربردها طی ۷ ۸ سال اخیر از PCI-Express 3 پشتیبانی میکنند. (نسل جدید نسخه چهارم هست که قراره همراه با سری جدید پردازنده های اینتل و AMD معرفی بشه که فعلا مهم نیست)
      چیپست و کیفیت مادربرد مهمه. هر وقت خواستید چیزی تهیه کنید میتونید از همینجا مشورت بگیرید.

  27. م. می گوید

    سلام و وقت بخیر.تشکر بابت پاسحگویی شما.من دانشجو هستم و قصد دارم برای پایان نامه ارشد روی یادگیری عمیق کارکنم.ممنون میشوم بنده رو راهنمایی کنید باتوجه به بودجه و سیستمی که دارم قصد خرید کارت گرافیک gtx1070 را دارم.مشخصات سیستم من به این شل است:
    cpu=Intel corei5 3.20 GHZ
    Memory=8G
    mother board=GA-P85-D3

    Chipset=Intel® B85 Express Chipset

    ۱ x PCI Express x16 slot, running at x16
    (The PCI Express x16 slot conforms to PCI Express 3.0 standard.)
    Multi-Graphics Technology=Support for AMD CrossFire™ technology

    نمیدونم که موارد لازم ور نوشتم یا نه
    یک پاور green 430w دارم
    ممنون میشم نظرتون رو بگید.تشکر

    1. سید حسین حسن پور متی کلایی می گوید

      سلام. بجای ۱۰۷۰ بدنبال ترجیحا بدنبال خرید کارت RTX2060 باشید یه پرس و جو بکنید اگه بود حتما اینو بگیرید چون به مراتب سریعتره (من اطلاعات خرید رو بروز کردم میتونید بخونید)
      گذشته از این برای مادربرد انتخابتون خوب نیست چیپست B85 یکی از ضعیف ترین چیپست ها.موقع خرید مادربرد یا انتخاب مادربرد سعی کنید مادربردهایی انتخاب کنید که چیپست از سری H یا Z باشه .
      سری B مخصوص افیس هست و از نظر ویژگی و قابلیت خیلی ضعیفه. میتونید از مادربردهایی که از چیپست H87 دارن استفاده کنید یا اگه میتونید هزینه کنید سری Z97 (دقت کنید اینها مربوط به نسل haswell هستن یا سوکت ۱۱۵۰ با حافظه DDR3)
      پیشنهاد اینه یا از سری AMD (رایزن انتخاب کنید که الان خیلی عالین) یا اگه از اینتل میخوایید بگیرید سعی کنید سوکت ۱۱۵۱ بگیرید(حافظه DDR4) .h270 یا h370 خوبن.
      برای پاور هم ۴۳۰ وات ضعیفه حداقل باید یه پاور ۵۵۰ الی ۶۰۰ وات بگیرید . (ترجیحا ۶۰۰ وات بگیرید)

  28. آرش می گوید

    سلام.کارت گرافیک Geforce MX110 که DDR5 ،۲GBو با معماری ماکسول هست، آیا میتونه پاسخگوی یادگیری عمیق در پزشکی باشه؟ Tensorflow رو اجرا میکنه؟؟ توی یک سایت درباره اش نوشته:
    It’s performance is on a par with (as same as) the Geforce 920MX

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      نه کارت بسیار ضعیفی هست و از نظر حجم حافظه و قدرت پردازش بشدت محدوده.
      برای اجرای مثال های پیش پا افتاده میتونید استفاده کنید اما اینکه روش بخوایید حسابی باز کنید برای تحقیقات اصلا فکرش هم نکنید.
      از سرویس ابری رایگان گوگل کولب که آموزشش در سایت هست هم میتونید برای یادگیریو اجرای مثالها استفاده کنید (حتی برای پیش برد بخشی از کارهاتون)
      اما این کارت بسیار ضعیفه.

      1. آرش می گوید

        سپاسگزارم

  29. آرش می گوید

    سید جان نظرت در مورد Geforce MX130_GDDR5-2GB چیه؟ خیلی فرقی میکنه با MX110؟؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      من بالا توضیح دادم تو زمینه انتخاب کارتهای گرافیک شما نباید معیارتون گیم باشه. برای دیپ لرنینگ دوتا معیار پهنای باند و حافظه کارت گرافیک خیلی اهمیت داره.
      این کارت در اصل کارت rebrand شده MX130 ری برند شده GT940MX و MX110 هم ری برنده شده GT920MX GP هست.(لینک) ۶۴ بیتیه و پهنای باند محدودی داره از طرف دیگه مقدار حافظه ای هم که ارائه میکنه تنها ۲ گیگابایته و این مقدار خیلی کمه. و از half precision و امثالهم که توضیحاتش رو دادم پشتیبانی نمیکنه.
      برای اجرای مثالهای ابتدایی میتونید استفاده کنید چون compute capability 6.1 داره اگر اشتباه نکرده باشم اما اصلا روش برای کار تحقیقاتی حساب باز نکنید.

      1. آرش می گوید

        ممنونم سیدجان. اجرکم عندالله.

  30. سالومه طاهری فرد می گوید

    سلام. من برای پایان نامه ام از یادگیری عمیق در پردازش تصاویر استفاده میکنم. اول کار هستم و میخوام لپ تاب بخرم. نهایتا ۱۵ تا ۱۷ میلیون می تونم هزینه کنم. به نظرتون چه مدل هایی میتونم بخرم با توجه به اینکه خیلی از مدل ها تو بازار موجود نیست؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      برای یادگیری عمیق لپ تاپ اصلا پیشنهاد نمیشه بطور ویژه این مدلی که اسم بردید اصلا مناسب نیست. چون کارت گرافیک اینتل داره که هم بشدت ضعیفه و هم تو حوزه یادگیری عمیق نمیتونید ازش استفاده کنید. علاوه بر این چون هزینه خیلی بیشتری تحمیل میکنه و با هزینه ایکه برای لپ تاپ میخوایید بکنید میتونید یه کانفیگ به مراتب بهتر با یه PC Desktop تهیه کنید.
      مثلا قطعات زیر برای یه PC قیمتی بین ۱۶ تومن براتون داره :
      سی پی یو : Intel Core i5 7500 قیمت ۲۵۰۰ انتخاب های بعدی (۸۷۰۰k و ۹۹۰۰k )
      مادربرد: PRIME Z270-A با قیمت ۲۳۷۰ (اما اگر سی پی یور ۸۷۰۰ یا ۹۹۰۰ گرفتید باید مادربرد ASUS TUF Z390-PRO GAMING LGA1151 Z390 قیمت : ۵۲۵۰ (لینک) رو بگیرید
      گرافیک: RTX2060 قیمت ۶۵۰۰ (انتخاب بعدی RTX2070 قیمت ۹۷۰۰ )
      رم : ۱۶ گیگ رم DDR4 باس ۲۴۰۰ قیمت ۱۵۰۰ (لینک) اگر سی پی یو های ۸۷۰۰ اینتل رو بالاتر رو گرفتید میتونید این رم رو بگیرید ولی بهتره باس بالاتر مثل ۳۲۰۰ و… رو بگیرید تا کارایی بهتر بشه ( DDr4 3200 قیمت ۲۵۰۰ تومن (لینک ))
      هارد دیسک : ۲ ترابایت وسترن دیجیتال آبی (۷۲۰۰ rpm ) 750 الی ۸۰۰
      SSD: سامسونگ ۸۶۰EVO باظرفیت ۵۰۰ گیگابایت قیمت ۱۱۶۰ (لینک) گزینه دیگه nvme هست که بالای ۲ تومنه
      PSU: پاور گرین ۷۵۰ وات قیمت ۱۴۰۰ (لینک) (البته میشه برندهای معتبر تر هم گرفت ولی گرین هم خوبه)
      CASE: بین ۶۰۰ الی ۱ میلیون.

      اگر میخوایید گرافیک بهتری داشته باشید و اگر دیتاست شما حجمش زیاد نیست میتونید SSD 256 گیگی بگیرید که حدود ۵۰۰ الی ۷۰۰ هست (یا اصلا نگیرید اگه حجم دیتاستتون زیر ۱۰۰ گیگه )
      به همین شکل میتونید بجای core i5 7500 یه corei3 7100 بگیرید (لینک) با قیمت ۱۷۰۰
      و یه کیس خوب ۵۰۰ ۶۰۰ تومنی بگیرید میبینید براحتی میتونید بجای RTX2060 یه RTX2070 بگیرید که چند برابر سریعتر از RTX2060 ئه.

      اگه منزل PC داشته باشید که میتونید صرفا گرافیک و رم و شاید سی پی یو رو ارتقا بدید و خیلی زیاد تو هزینه کردتون صرفه جویی بشه.

      اگر به هر دلیلی اصرار بر گرفتن لپ تاپ دارید باید دور این لپ تاپ خط بکشید و دنبال لپ تاپهایی باشید که کارت گرافیک انویدیا داشته باشن(با توجه به توضیحاتی که داده شده بالا) و حتما برای کولینگ مناسبش باید فکر کنید چون احتمال آسیب زیاده اگر کولینگ مناسب نداشته باشید.

  31. سالومه طاهری فرد می گوید

    دستگاه microsoft surface pro 6-gg برای یادگیری عمیق جواب می ده یا نه؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      همونطور که بالا عرض کردم خیر .
      مناسب نیست اصلا و به هیچ وجه تهیه نکنید

  32. سالومه طاهری فرد می گوید

    کلا microsoft surface pro جواب می دهند؟

    1. سید حسین حسن پور متی کلایی می گوید

      خیر مناسب نیست تهیه نکنید

  33. امیر می گوید

    سلام و خسته نباشید
    ممنون بابت مطالب بسیار آموزنده و مفیدتون
    غرض از مزاحمت میخواستم بپرسم آیا GPU اکسترنال به لبتاب Dell Vostro 3550 (2011) میخوره؟؟
    CPU – Intel i5 – 2 core – 2430M (2.4Ghz)
    BIOS – 2011
    RAM – 16 Gb (2*8 DDR3)
    Graphics – integrated RADEON 3000

    و همینطور قیمت پایه ی یک GPU GTX-1060 6G رو تو سایت دیجیکالا زده ۵.۵ میلیون تومن. آیا همینقدره یا نه با کیس و پاور و ملزوماتش بیشتر از این حرفا آب میخوره؟

    ممنون

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      لپ تاپتون باید پورت thunderbolt3 داشته باشه که حتی با اون هم باز پیشنهاد نمیشه چون لتنسی زیادی داره و همینطور پهنای باند خیلی کمتری نسبت به نمونه دسکتاپ یا کارت گرافیک داخلی ارائه میکنه.
      اگر کیس داشته باشید خب فقط هزینه گرافیک رو میپردازید یا نهایتا یک پاور(اگه نداشته باشید) اگر کیس نداشته باشید قائدتا هزینه سی پی یو مادربرد هارد رم پاور هم اضافه میشه.
      برای قیمت سعی کنید از لیون کامپیوتر استفاده کنید قیمت هاش نسبت به دی جی کالا به مراتب بهتره.
      برای ۱۰۶۰ کارت از ۴ تومن هست تا ۶ تومن.

  34. امیر می گوید

    خیلی ممنون.
    نه. thunderbolt 3 نداره. اوجه هنرش usb 3 هست.
    برای دیپ لرنینگ text و nlp لبتاب های گیمینگ مثل Dell G7 , Alienware , Acer Predator , ROG Strix و غیره رو پیشنهاد نمیکنید؟
    استوک ۲۰۱۹ این مدل ها رو میشه با ۱۰ ۱۲ تومن تهیه کرد.
    کانفیگ خیلی قوی هم دارند مثلا Dell G7 هم مدل با کارت gtx 1060 داره هم rtx 2060 با cpu های نسل ۸ یا ۹ .

    1. سید حسین حسن پور متی کلایی می گوید

      خواهش میکنم.
      برای دیپ لرنینگ کلا لپ تاپ پیشنهاد نمیشه چون ۱٫ هزینه تمام شده اش نسبت به دسکتاپ بیشتره و ۲٫ بخاطر اینکه فرایند ترینیگ فرایند طولانی هست عموما و سیستم تهویه مناسبی در لپ تاپ ها وجود نداره
      باعث ایجاد مشکل میشه مگر اینکه فرد واقعا حواسش باشه و کولینگ مناسب رو فراهم کنه.
      بعیده با ۱۰ ۱۲ تومن لپ تاپ خیلی قوی ای ارائه بشه خصوصا بعد این افزایش قیمت اخیر. اما به هر حال
      اگر بودجه ۱۰ ۱۲ تومن باشه میشه یه دسکتاپ مناسب تهیه کرد که به مراتب بهتر از لپ تاپ هست.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.