一个程序员对电源最基础的期望，首先得是能满足各种GPU所需能量吧。随着GPU朝着更低能耗发展，一个质量优秀的PSU能陪你走很久。
应该怎么选？Tim小哥有一套计算方法：将电脑CPU和GPU的功率相加，再额外加上10%的功率算作其他组件的耗能，就得到了功率的峰值。
举个例子，如果你有4个GPU，每个功率为250瓦，还有一个功率为150瓦的CPU，则需电源提供4×250 150 100=1250瓦的电量。
Tim通常会在此基础上再额外添加10%确保万无一失，那就总共需要1375瓦。所以这种情况下，电源性能需达1400瓦。
这样手把手教学，应该不难理解了。还有一点得注意，即使一个PSU达到了所需瓦数，也可能没有足够的PCIe 8-pin或6-pin的接头，所以买的时候还要确保电源上有足够多的接头接GPU。
另外，买一个能效等级高的电源，特别是当你需要连很多GPU并且可能运行很长时间的时候，原因你懂的。
再举个例子吧，如果以满功率（1000-1500瓦）运行4 GPU系统、花两周时间训练一个卷积神经网络，需要耗用300-500度电。按德国每度0.2欧元计算，电费最终耗费约折合人民币455-766元。
如果电源效率降到80%，电费将增加140-203元人民币。
需要的GPU数量越多，拉开的差距越明显。PSU的挑选是不是比之前想象的复杂一点？
CPU和GPU的冷却对于产热大户CPU和GPU来说，散热性不好会降低它们的性能。
对CPU来说，则标配的散热器，或者AIO水冷散热器都是不错的选择。
但GPU该用哪种散热方案，却是个复杂的事。
风冷散热
如果只有单个GPU，风冷是安全可靠的，但若你GPU多达3-4个，靠空气冷却可能就不能满足需求了。
目前的GPU会在运行算法时将速度提升到最大，所以功耗也达到最大值，一旦温度超过80℃，很有可能降低速度，无法实现最佳性能。
对于深度学习任务来说这种现象更常见了，一般的散热风扇远达不到所需效果，运行几秒钟就达到温度阈值了。如果是用多个GPU，性能可能会降低10%~25%。
怎么办？目前，英伟达GPU很多是针对游戏设计的，所以对于Windows系统进行了专门的优化，也可以轻松设置风扇方案。
但在Linux系统中这招就不能用了，麻烦的是，很多深度学习库也都是针对Linux编写的。
这是一个问题，但也不是无解。
在Linux系统中，你可以进行Xorg服务器的配置，选择“coolbits”选项，这对于单个GPU还是很奏效。
若你有多个GPU， 就必须模拟一个监视器，Tim小哥说自己尝试了很长时间，但还是没有什么改进。
如果你想在空气冷却的环境中运行3-4个小时，则最应该注意风扇的设计。
目前市场上的散热风扇原理大致有两种：鼓风式的风扇将热空气从机箱背面推出，让凉空气进来；非鼓风式的风扇是在GPU中吸入空气达到冷却效果。
所以，如果你有多个GPU彼此相邻，那么周围就没有冷空气可用了，所以这种情况，一定不要用非鼓风式的散热风扇了。
那用什么？接着往下看——
水冷散热
水冷散热虽然比风冷法成本略高，但很适用于多个GPU相邻的情况，它能hold住四个最强劲的GPU保持周身凉爽，是风冷无法企及的效果。
