今年早些时候，Google DeepMind 的 AlphaGo 打败了韩国的围棋大师李世石九段。这只狗能打败大师，所仰仗的正是人工智能、机器学习、和深度学习。
这里面，深度学习即是人工智能一个最重要的组成部分，它给机器带来了“神经网络”的概念，使得机器在思考能力上有了更深的突破。毫无疑问，这是码农们应该学习的方向。
当然，要涉足深度学习是需要付出代价的，比如干活的机器就不能差，以往 20000 元的预算也只能满足一块专业显卡的需求。
注意，在 Nvidia 10 系显卡登场后，我们终于可以重新考虑，如何用最低的预算帮助你入门玩深度学习。
都用最低配，DIY 出来的电脑会不会卡到无法工作？
很久以前就有听朋友们说过一个尴尬的事：在原来的工作站基础上打算只升级一块 Titan X 显卡，装上去以后却发现机子的功率不够，算是半报废了。
所以说，在已有工作站的基础上进行改装还是得小心啊，重新 DIY 一台可能是更好的选择。
那么深度学习的工作站和普通的工作站又有什么不同呢？
其实深度学习工作站的本质就是在一台普通工作站的基础上装上一个具有深度学习能力的 GPU，简而言之，GPU 就是两种工作站的主要区别。
首先，你所选的 GPU 型号需要在 nvidia 官网的这个列表中有包含，否则，结果很可能是连专业软件都无法使用。
DIY 组装深度学习工作站，GPU 是关键
大家都知道，这几年在做显卡的主要有 nvidia 和 AMD，不过由于身边的开发者都在用 N 家的卡，我也不太熟 A 卡，所以就不班门弄斧了，只给大家介绍一下 N 家该怎么整。
这张深度学习显卡神图是国外一位大神 Tim Denttmers 所绘，不过当时还没有 10 系显卡，现在基于 PASCAL 架构的 GTX1070/1080 对 9 系可以说是秒杀装填，这性价比简直逆天了，啥 980/980ti 都不用买了，买一块 Titan X 还不如买两块 1080。
TFLOPS（teraFLOPS FLoating-point Operations Per Second每秒浮点运算次数）
VRAM（显存）
CUDA Cores
在挑选的时候要注意的几个参数是处理器核心(core)、工作频率、显存位宽、单卡or双卡。我觉得对深度学习计算而言处理器核心数和显存大小比较重要。这些参数越多越高是好，但是程序相应的也要写好，如果无法让所有的core都工作，资源就被浪费了。
所以综合来说，个人推荐 2 路 GPU，直接用上 2 块 GTX 1080Ti。
选好 GPU 后，其他配置有多少钱就买多少菜
一般消费级主板虽然有四个 x16 规格的插槽，但是当你插上四路 GPU 时，事实上每路只有 x8，所以这其实没有最大化四路 GPU 的性能。
CPU 方面，E5 是目前的主流选择，6 核 12 线程，至少不会成为这套工作站的瓶颈。
内存最低可选是 8G，这个对应联想 P500 工作站就不难知道，不过个人建议是直接上到 32GB，不然程序崩溃的时候就该哭了。
硬盘应该不用太多介绍了吧，固态选英特尔 600P，学霸君亲身在用，非常稳定，性价比也高。
电源是很多人忽略的一个重要因素，因为深度学习的机子必须持久学习，况且各个配件又都是用电大户，P700 里的电源就是 850W 的，大家也可以参考一下。
写到这里，这台深度学习的专用机就算是这样了，各个配件都有足够的性能和耐用性，也是目前较新的平台，小伙伴们不妨根据自己的需要进行修改。