RTX 2070で組むDeep Learning向けPC

初めに

　最近、Deep Learningを使った仕事をしています。この分野は進歩が速いのもそうですが、意外と歴史も深いので、勉強しないとなかなかついていけません。そんなわけで、家でちょっと勉強してみようかなと思ったわけですが、先立つものがなければ始まりません。GPUマシンです。これがないと、機械学習を実際にコーディングしたり動かしたりすることは非現実的です。もちろん、論文を読むだけならば、そんなものは必要ありませんが、自分で実装して動かしてみるのが一番理解が進みますし、なにより楽しいですからね。

　というわけで、自宅でもDeep Learningの学習・推論ができるように、GPUマシンを組むことにしました。

パーツ

　今回使うパーツたちです。メモリとケースはAmazon、それ以外は秋葉原のツクモで買ったのですが、全部含めて15万円弱です。意外と安いですね。

f:id:cinnamell:20191210113726j:plain

　一番大切なGPUにはmsi製のRTX 2070 Superを選びました。GeForceで最高スペックのGPUを選ぶなら2080 Superがありますが、プラス2~3万の出費はちょっとつらかったので妥協して2070 Superです。安さ重視ならGTX 10xx系もありますが、Turinigから採用された機械学習向けのTensorコアがないので、機械学習用とならばRTX 20xxが良いのかなと思います（ただ、実測としてどの程度速度の差があるのか比較できないので、コストに見合う価値があるのかは不明です）。

　CPUは第9世代のcore i7 9700です。OCする気はないのでKなしモデルです。それにしても、第8世代も第9世代もCoffee Lakeなので、ややこしいです。

　ストレージのSSDにはSamsungの860 QVOを選択です。現在一般に普及しているSSDは、1つの記録セルに3bitの情報を詰め込むTLC NANDを採用しているのですが、この860 QVOは4bitを詰め込めるQLC NANDを採用しています。容量効率が高い分、お値段はTLCよりも安めに設定されています。もっとも、同じ1TのTLC SSDが1.1万程度なのにたいして、860 QVOは9千円程度なので、そこまで劇的に安いというわけではありません。QLCによる性能や信頼性の低下を考えると、QLCを選ぶ価値があるのか微妙なところです。

　電源は少し余裕を見て750Wのものを用意しました。ちなみに、OSはUbuntuを使うので、Windowsは買ってません。