深度学习机器配置
方案一：配置一个“本地服务器”通俗来说就是一台“高配”电脑。
优点：比较自由，不受约束。缺点：价格昂贵，需要考虑金钱问题。（配置一台初级的深度学习主机大概需要15w左右）适用情况：1）你本人有充足的的资金；2）需要发表论文，多次训练自己的Model；3）尝试运行别人的Model；4）想要从事深度学习领域的研究；
方案二：配置一台自己的“云服务器主机”
优点：可以按照项目的需要选择合适的配置，比较灵活。缺点：针对个人来讲，价格还是比较贵的。适用情况：1）由于项目的需要，需要使用到深度学习，需要训练Model；2）初创企业注：根据我个人的了解，当前云服务器的计费方式主要有两种：按时计费、按月计费和按年计费。国内有的公司提供了相应的GPU服务器和FPGA服务器平台，但是还处于测试阶段。
方案三：配置一个“深度学习集群”
优点：更快更高效的获得自己的Model即加快开发的效率；缺点：对于个人来讲不太现实，一般是大公司的选择；适用情况：1）具有雄厚基金的大公司，如BAT等都有自己的深度学习集群平台和自己的深度学习框架；2）深度学习领域的初创公司；以上就是3种训练Model的方式，下面我将会给出一些有用的云服务器连接，感兴趣的同学可以自己探索。百度AI云服务器，支持PaddelPaddel和Te
sorflow腾讯云服务器，支持GPU云服务器和FPGA云服务器，后者处于内测阶段阿里云服务器，支持GPU云服务器和FPGA云服务器，后者处于内测阶段华为机器学习云服务器微软云服务器，国内不支持GPU服务器，北美支持联众集群，一个专业的GPU集群解决方案提供商
f配置深度学习主机
要配置一台深度学习主机，需要选择合适的CPU、GPU、内存条、固态硬盘、电源、散热、机箱、主板等（最好支持PICE，应用于多GPU的其概况下）。GPU：即图像处理单元，最为一个并行处理器，起初是专门用来处理图像的，但是由于大数据的驱动，如今的它已经广泛的应用到了多个领域中，包括“深度学习”“智能驾驶”“VR”等。由于它可以利用多个线程来进行高速的矩阵运算，而深度学习中会涉及到很多的矩阵运算。这正是它的用武之地。因此选择一个合适的GPU变得“至关重要”。深度学习中常用的GPU包括：GTX960，GTX970，GTX1080，TiTa
x，GTX1080Ti等，以上的GPU都属于GeForce系列，进行“单浮点运算”，都是一些比较新的型号具有很强的性能，按照以上的顺序性能依次提升，最主要的改变是在“架构和SM（线程个数）”方面，960970都属于“Maxwell架构r