正文
我又额外花了 $5，因为亚马逊评论说，「对于那些只是不能得到足够的 LED 塞满他们系统的人，这些是完美的选择。」如果你在你的地下室组建一台电脑，同时你又不接受你内心的反传统（Burning Man）/青少年审美，你会花费大量时间却很难找到组件。
CPU
我在网上看过 CPU 速度比较测试，我想如果 CPU 速度较慢我也没问题，因为我做的很少的事情是受限于 CPU 的（除了训练神经网络，而这个我会使用 GPU）。但是我不能让自己建造一台装有第三代 CPU 的计算机。我花 $214 用了 Intel I5-6600。
几乎任何你可以在亚马逊找到的 CPU 都还可以。我没有多花$20 买 I5-6600K，两者几乎差不多就是能超频，因为对于我来说，为了 10% 的增速而牺牲可靠性，简直就是疯了。我也确实承认，开始习惯建造自己机器的想法时，也开始后悔当初这个决定了。所以谁又能知道呢？构建计算机可以改变你的人生观。如果有了超频芯片，可能遗憾会更少吧。另一方面，也许最好还是保护自己不受自己的影响，把选项从脑子里去掉吧。
硬盘
我也不能相信能买到这么便宜的硬盘驱动器。我$ 50 买了一个 1TB SATA 驱动器。固态驱动器能更快，但是也更贵，并且通常，我的深度学习程序没有磁盘 I / O 限制，因为它们通常将批数据加载到 RAM 中，然后对数据处理很长时间。如果你想用计算机进行繁重的文件传输工作或者只是想确保它在所有程序运行上都明显快过你朋友的 Macbook，那么，我建议你买个类似 三星 850 EVO 250GB 2.5-Inch SATA III Internal SSD 的固态驱动器，$ 98 容量 250Gb。
所有这些驱动器会让你意识到，苹果公司给你的 Macbook Pro 扩容 250G 加收 $ 200 简直就是在敲诈。
显卡/GPU
选哪个显卡是最重要的和最棘手的问题。对于几乎所有的机器学习应用程序，你想要一个 NVIDIA 卡，因为只有 NVIDIA 有你必需的 CUDA 框架和 CuDNN 库，这是包括 TensorFlow 在内的所有机器学习框架所依赖的。
我并非一个 GPU 专家，我发现这里面的术语非常容易让人糊涂，但这对选择一款 GPU 来说是非常基本的知识。
也许对深度学习来说最需要重要关注的属性是卡上可用的 RAM 大小。如果 TensorFlow 不能将模型和当前批次的训练数据放入 GPU 的 RAM 中，则会将故障转移到 CPU——这会使 GPU 毫无存在的意义。
另一个需要关键考虑的是显卡的架构。NVIDIA 推出的几个最新的架构依次被称为「Kepler」、「Maxwell」和「Pascal」。架构之间的差异对速度的影响非常大；例如根据 该基准 (https://github.com/jcjohnson/cnn-benchmarks)， Pascal Titan X 是 Maxwell Titan X 速度的两倍。
大多数机器学习的文章使用 TITAN X 卡，它很棒，但成本至少$ 1,000，即使是一个较旧的版本。大多数进行机器学习而没有预算限制的人会使用 NVIDIA GTX 900 系列（Maxwell）或 NVIDIA GTX 1000 系列（Pascal）。
要了解显卡的架构，您可以看看 NVIDIA 令人吃惊的混乱命名规则：9XX 卡使用 Maxwell 架构，而 10XX 卡使用 Pascal 架构。但是由于更高的时钟速度和更多的 RAM，980 显卡仍然可能明显快于 1060 显卡。
你将不得不基于所能获得的 GPU 的体系结构为 NVIDIA 卡打上不同的标签。但最重要的却是任何 9XX 或 10XX 显卡将会几个数量级地快于你的笔记本电脑。所以不要被选项难倒；如果你没有使用过 GPU，你会发现他们都会远比你现在用的要好。
我选了标价为 195 美元的 GeForce GTX 1060 3G，它运行模型的速度比我的 MacBook 快 20 倍，但偶尔会因为跑某些应用而耗尽内存，所以我可能应该再加 60 美元买 GeForce GTX 1060 6GB。
电源
我要谈的是标价 85 美元的 650W power supply。这个产品很烦人而且有电源问题的时候很难调试，看来似乎不应该在这上面省钱。另一方面，我从没见过我的机器在峰值负载下超过 250W。
散热
我记得我工作的第一家创业公司把服务器放在他们的壁橱里，风扇的声音非常吵，甚至透过壁橱的门都觉得吵。这样的日子似乎已经过去很久了。尽管如此，650W 的电源得以让你将几乎 10 倍的能量充入你的笔记本电脑，而这种能量必须从某个地方散发出来。也许并不是必需的，但我仍花$ 35 买了一个非常棒的 Cooler Master Hyper 212 EVO 散热器。它使 CPU 保持凉爽，同时运行超静音。
