前言
之前一直在装有一张1080Ti的服务器上跑代码，但是当数据量超过10W(图像数据集)的时候，训练时就稍微有点吃力了。速度慢是一方面，关键显存存在瓶颈，导致每次训练的batch-size不敢调的过高(batch-size与训练结果存在一定的关系)，对训练结果的影响还是比较大的。
在深度学习的时代，谁掌握算力谁便领先一步，因此有必要提升自己的计算能力。
这是我目前使用的服务器的配置清单，主板理论可以插4张GPU，但是由于CPU的原因，插上两张显卡时功效最大。
对配置有疑惑的童鞋可以查看这篇：给你一份配置清单:机器学习、深度学习电脑显卡配置指南。
正文
首先，这是之前的主机，CPU为7800X，主板为X299，CPU水冷其余风冷，插着一张微星1080TI显卡。
欲加上的显卡为索泰1080TI OC 至尊系列，与之前的微信显卡组成双显卡阵列，如果你要问我为什么买这张显卡：
- 学校的供货渠道目前只有两种牌子(七彩虹和索泰)，但是七彩虹的那款尺寸有点不合适，故不选择
- 虽然现在都换成了RTX 2080，但是由于2080还不是很稳定，1080ti与最新系列差距并不是很大，所以还是选择1080ti
- 之前那一张是1080Ti，当然选择搭配的最好也是1080Ti，可以分布式训练(显卡牌子型号可以不同)
来看看这款索泰的配置吧：
可以看到，之前这张显卡插得位置有点不好，太靠中间，因此需要将这一张先拔下来，换个位置，两张就都可以插上了(公版散热的显卡比非公版散热卡普遍会瘦一圈，因此多卡最好都是公版散热的同一类，但如果达不到要求也可以妥协)。
看看这张索泰的显卡(正面)。
以及背面(装了两个小风扇，但是最后还是拆了，因为会吹风到另一张显卡上…)
这样调换位置后，两张显卡就可以完美地插上了，两张都是8pin 6pin，使用的电源是海盗船RM1000X，理论上是足够了，具体待测。
因为在使用之前那张显卡时已经装上了Linux的Nvidia驱动，插两张卡没必要使用之前的驱动即可，显示器还是插之前的那张卡就好。
一次性点亮~
可以看到Linux系统中已经检测到了两张显卡。
总结
装上新卡之后简单测试了一下，两张卡是可以同时进行同一个任务的，速度也会有提升，但具体的需要慢慢来体会了。
其实，有几点需要注意：
- 我使用的CPU是7800X，PCIE通道数为28，理论上两张显卡的分配数是8-PCIE 16-PCIE，但是实际上8 8速度也是可以的，速度个人感觉并没有差太多，需要之后详细评测一下
- 因为一张公版一张非公，散热性能相比两张公版不知道会如何，需要测试
- 两张显卡功率各250W，而CPU最高应该200W左右，额定1000W的电源按理说应该是够用的，到底是不是这样，也需要进行测试
总之，双卡装起来还是比较容易的，只要提前对机箱的尺寸和布局有了解，选择好合适的显卡就可以进行安装了，另外，显卡还是比较耐操的，不要因为一些其他原因点不亮而担心显卡会烧毁。
相关话题：
新显卡出世，我们来谈谈与深度学习有关的显卡架构和相关技术
给你一份配置清单:机器学习、深度学习电脑显卡配置指南
戴尔成就微塔式小机箱装华硕1060-6G大显卡
2080 Ti TensorFlow GPU基准测试 – 2080 Ti vs V100 vs 1080 Ti vs Titan V
