Es ist an der Zeit, dass ich mir selbst einen Deep-Learning-PC selber bauen – einen leistungsstarken Rechner, der speziell für das Training von neuronalen Netzen ausgelegt ist. Seit Ende 2017 beschäftige ich mich intensiv mit Deep Learning, meist privat und hobbymäßig. Bisher kam ein älteres ThinkPad mit i5-CPU und 12 GB RAM zum Einsatz – ausreichend für erste Schritte, aber alles andere als effizient.
Ein Trainingslauf mit 120.000 Datensätzen dauerte auf diesem Laptop rund 28 Stunden. Im direkten Vergleich: Mit einer NVIDIA RTX 8000, die ich beruflich nutzen konnte, dauerte das gleiche Training nur etwa 12 Minuten – trotz suboptimaler Python-Programmierung, die die CPU zum Flaschenhals machte. Dieses Erlebnis hat in mir den Wunsch geweckt, ein eigenes Deep-Learning-System mit GPU zu besitzen.
Im Frühjahr 2021 habe ich mein kostenloses E-Book zum Donkey Car Projekt veröffentlicht. Es behandelt das Training eines autonomen Fahrzeugs im Simulator sowie im realen Modellmaßstab (1:10). Doch ohne GPU fehlte mir bisher die Möglichkeit, praktische Erfahrungen mit GPU-Beschleunigung im Donkey-Car-Kontext zu sammeln.
Deep Learning Computer components
Dieser Artikel ist der erste Teil einer Beitragsreihe, in der ich dokumentiere, wie ich meinen eigenen Deep-Learning-PC schrittweise zusammenstelle – von der Planung bis zur finalen Inbetriebnahme.
Deep-Learning-PC selber bauen: Planung ist alles
Bevor es an den Kauf der Komponenten geht, müssen einige grundsätzliche Fragen geklärt werden. Denn die Anforderungen an einen Deep-Learning-PC unterscheiden sich stark von denen eines herkömmlichen Office-Rechners oder Gaming-PCs.
1. Wo wird der Rechner betrieben?
Für mich ist der Standort des Rechners entscheidend. Da das Gerät dauerhaft im Büro meiner Wohnung stehen wird, darf es nicht zu laut sein. Aus eigener Erfahrung mit einem Hochleistungsrechner (2× RTX 8000, AMD Threadripper, 2000-Watt-Netzteile, >7 Lüfter) weiß ich, wie belastend Lautstärke und Abwärme sein können – selbst durch mehrere Türen hindurch hörbar und im Winter kaum auszuhalten ohne Klimaanlage.
Mein Ziel: ein leiser, effizienter und bezahlbarer Deep-Learning-Rechner, der im Büro einsetzbar ist.
2. Wie wird der Rechner genutzt?
Da der PC tagsüber auch als Office- und Entwicklungsmaschine dient, ist eine ruhige Arbeitsumgebung wichtig. Die GPU wird nur phasenweise unter Volllast laufen – etwa nachts für Training-Jobs. Daher reicht es, wenn nur die CPU wassergekühlt ist. Eine Luftgekühlte GPU ist deutlich günstiger und für meinen Bedarf ausreichend.
Ein Aspekt, der oft unterschätzt wird: Abwärme. Eine GPU, die dauerhaft 400 Watt erzeugt, kann ein kleines Büro schnell aufheizen – vor allem im Sommer ohne Klimatisierung. Hier ist eine gute Lüftung genauso wichtig wie eine durchdachte Kühllösung.
Warum kein Laptop?
Leistungsstarke Laptops mit dedizierten GPUs waren für mich keine Option. Sie sind meist zu schwer, die Kühlung ist laut, die Komponenten laufen heiß und die GPU-Leistung ist oft limitiert. Zudem kann man einen Desktop deutlich flexibler aufrüsten und kühlen – besonders wichtig für GPU-intensive Anwendungen.
Gehäuse & Kühlung
Ich habe mich für ein großes Gehäuse entschieden, das Platz für eine effektive Kühlung bietet – insbesondere für eine Wasserkühlung der CPU. Die GPU bleibt luftgekühlt, um die Kosten zu reduzieren. Mehr zum gewählten Gehäuse folgt in einem separaten Beitrag.
Fazit: Der Start in mein eigenes Deep-Learning-System
Ich habe mich bewusst für einen Desktop-PC mit leistungsstarker GPU entschieden, der leise im Büro betrieben werden kann. Rechenintensive Tasks werden nachts durchgeführt, um Geräuschbelastung zu vermeiden. Eine schallgedämmte Gehäusewahl und eine effiziente CPU-Kühlung runden das Konzept ab.
Im nächsten Beitrag geht es um die Auswahl der Grafikkarte: Deep-Learning PC selber bauen – Auswahl der Grafikkarte
Recent Comments