epyc和线程撕裂者哪个性能更好

线程撕裂者的性能好。因为线程撕裂者更偏向于生产用的，具有灵活性。而epyc相较于线程撕裂者而言，在游戏方面有些许欠缺。线程撕裂者和EPYC的最大核心数量是中汞禁止发表的数字我转线程撕裂者和EPYC的新闻被无理由秒吞就是这个理由一般可以考虑用“碌莳亖”“ⅥⅩⅣ”来代替EPYC和撕裂者。所以线程撕裂者的性能好。

霄龙这个产品体现了AMD公司的信念 why：给用户选择的自由。所以，当性能不差而价格更低时，你就会从容、自然地选择。

AMD是如何践行自己的信念的呢？how

1. 性能强劲

业界领先的性能，具有多达 32 个高性能 CPU 核心、8 条内存通道，每个系统级芯片 (SOC) 支持多达 128 条 PCIe® 3.0 通道。

2. 优化出色

为服务器量身打造

许多 IT 组织会购买双插槽服务器，但只使用单插槽, 单CPU。也有企业则会购买双插槽服务器，不是因为计算性能的需要，而是因为当前单插槽服务器无法提供所需更多 I/O 和/或内存容量。AMD EPYC™ (霄龙) 让您拥有单插槽服务器的同时无需妥协性能，它具备多达 32 个核心、8 条内存通道和 128 条 PCIe® 3.0 通道，并且提供之前仅在双插槽架构上才具备的拓展功能和性能。

3. 安全可靠

EPYC™ (霄龙)系统级芯片 (SoC) 内的专用安全性处理器可大幅降低潜在攻击面，并在其启动、执行、以及在服务器之间移动时保护您的软件和数据。*

AMD Secure Root-of-Trust 技术：仅执行您要运行的软件

AMD Secure Run 技术：加密主内存中的数据并支持来自其他虚拟机、租户，甚至是管理程序本身的加密隔离

AMD Secure Move 技术：让您安全迁移虚拟机

结果，霄龙 7000 系列突破插槽桎梏和顺应云时代而生 what

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理等多个领域都取得了卓越的成果，可见其重要性

熟悉深度学习的人都知道，深度学习是需要训练的，所谓的训练就是在成千上万个变量中寻找最佳值的计算。这需要通过不断的尝试识别，而最终获得的数值并非是人工确定的数字，而是一种常态的公式。通过这种像素级的学习，不断总结规律，计算机就可以实现像人一样思考。因而，更擅长并行计算和高带宽的GPU，则成了大家关注的重点。

很多人认为深度学习GPU服务器配置跟普通服务器有些不一样，就像很多人认为做设计的机器一定很贵一样。其实只要显卡或者CPU满足深度学习的应用程序就可以进行深度学习。由于现在CPU的核心数量和架构相对于深度学习来说效率会比GPU低很多，所以大部分深度学习的服务器都是通过高端显卡来运算的。

这里谈谈关于深度学习GPU服务器如何选择，深度学习服务器的一些选购原则和建议：

1、电源：品质有保障，功率要足够，有30~40%冗余

稳定、稳定、还是稳定。一个好的电源能够保证主机再长时间运行不宕机和重启。可以想象一下，计算过程中突然重启，那么又要重来，除了降低效率，还影响心情。有些电源低负载使用的时候可能不出问题，一旦高负载运行的时候就容易出问题。选择电源的时候一定要选择功率有冗余品质过硬，不要功率刚刚好超出一点。

2、显卡：目前主流RTX3090,最新RTX4090也将上市

显卡在深度学习中起到很重要的作用，也是预算的一大头。预算有限，可以选择RTX3080 /RTX3090/RTX4090(上月刚发布，本月12日上市)。预算充足，可以选择专业深度学习卡Titan RTX/Tesla V100 /A6000/A100/H100（处于断供中）等等。

3、CPU：两家独大，在这要讲的是PC级和服务器级别处理器的定位

Intel的处理器至强Xeon、酷睿Core、赛扬Celeron、奔腾Pentium和凌动Atom5个系列，而至强是用于服务器端，目前市场上最常见的是酷睿。当下是第三代Xeon Scalable系列处理器，分为Platinum白金、Gold金牌、 Silver 银牌。

AMD处理器分为锐龙Ryzen、锐龙Ryzen Pro、锐龙线程撕裂者Ryzen Threadripper、霄龙EPYC，其中霄龙是服务器端的CPU，最常见的是锐龙。当下是第三代 EPYC（霄龙）处理器 ，AMD 第三代 EPYC 7003 系列最高 64核。

选择单路还是双路也是看软件，纯粹的使用GPU运算，其实CPU没有多大负载。考虑到更多的用途，当然CPU不能太差。主流的高性能多核多线程CPU即可。

4、内存：单根16G/32G/64G 可选，服务器级别内存有ECC功能，PC级内存没有，非常重要

内存32G起步，内存都是可以扩展的，所以够用就好，不够以后可以再加，买多了是浪费。

5、硬盘：固态硬盘和机械硬盘，通常系统盘追求速度用固态硬盘，数据盘强调存储量用机械盘

固态选择大品牌企业级，Nvme或者SATA协议区别不大，杂牌固态就不要考虑了，用着用着突然掉盘就不好了。

6、机箱平台：服务器级别建议选择超微主板平台，稳定性、可靠性是第一要求

预留足够的空间方便升级，比如现在使用单显卡，未来可能要加显卡等等；结构要合理，合理的空间更利于空气流动。最好是加几个散热效果好的机箱风扇辅助散热。温度也是导致不稳定的一个因素。

7、软硬件支持/解决方案：要有

应用方向：深度学习、量化计算、分子动力学、生物信息学、雷达信号处理、地震数据处理、光学自适应、转码解码、医学成像、图像处理、密码破解、数值分析、计算流体力学、计算机辅助设计等多个科研领域。

软件： Caffe, TensorFlow, Abinit, Amber, Gromacs, Lammps, NAMD, VMD, Materials Studio, Wien2K, Gaussian, Vasp, CFX, OpenFOAM, Abaqus, Ansys, LS-DYNA, Maple, Matlab, Blast, FFTW, Nastran等软件的安装、调试、优化、培训、维护等技术支持和服务。

————————————————

版权声明：本文为CSDN博主「Ai17316391579」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/Ai17316391579/article/details/127533617

---