近日，社交新闻站点 Reddit 用户 polaryon 在机器学习板块发起了一个讨论，展示了自己如何用 1200 美元打造一款家用型深度学习配置的全过程，其中英伟达 GPU GTX 1080 专用了一半的预算；在 CPU 方面，polaryon 有多个选择：英特尔的新一代 CPU Core i5 与旧一代 CPU Xeon 2670，并讨论了使用后者的优势与劣势。
我最近觉得是时候做一个能够运行深度学习模型的家用工作站。因此，我用不错的价格购买了 GTX 1080。在等待到货时，我一直在思考一个问题：什么样的 CPU 最符合我的需求。鉴于我还是学生，我尽力把预算控制在 1200 美元以内，其中一半预算已经花在了 GPU 上。
我阅读了大量资料（主要来自 Tim Dettmers 令人惊奇的博客），资料中说 CPU 对深度学习没有那么重要，但是我运行的其他代码，比如预处理、增强、分析等，仍然需要用到 CPU。我一直使用 Python，也大量使用 Numpy。我只考虑 Intel 的产品，因为英特尔的数学核心函数库（MKL）实在是太快了。我唯一看到的基准，比如 Ryzen，是这个（https://openbenchmarking.org/showdown/pts/numpy）。应该说我现在没有经历多线程，只是在学习。
我想了好多种方案。下面的方案包括一个新一代的标准 CPU，我认为它能很好地完成工作。但是，它不能扩展，最多只有 16 个 PCIe 通道。另一方面，我可以选择有 40 个 PCIe 通道的旧一代 Xeon，如下表所示。这些将在更旧的架构上运行，同时时钟频率也更低。但是，它们能够提供 8 核／16 线程，其价格是 4 核 Kaby lake i5 的一半。
我一直记得我也用一个不错的价格购买了 Xeon 2670 (Sandy Bridge) 和 GA-X79-UP4，整体价格比上面列出的组合更便宜。
优势：
对我来讲，这样一个系统有能力处理更大的工作负载。
更多的内存通道，更高速的宽带，我猜这很利于深度学习？由于你需要把信息快速迁移到 GPU？而不是一个专家。LGA2011 主板上有更多的内存空间和插槽。
40 个 PCIe 通道 LGA2011 主板允许我扩展到多 GPU 系统。
目前存在的劣势：
我很担心它已相当过时。LGA2011 主板似乎很难找到和替代。同样，没有任何保证。
在不远的将来（至少今年），我不会使用多 GPU 设置，因此 40 个 PCIe 通道很不错，但是我很可能会选择一个更新的处理器，并且价格优惠更多。
我不会使用两个 2670，这样电耗将非常高，我还需要省下钱来买一个更贵的主板。
更旧的主板，并不能拥抱未来的新事物，比如 M.2 SSD。
你觉得什么是能满足我的需求的更适宜的选择？欢迎可再降低成本的建议。
