深度学习要怎么选择服务器？如果是用来进行短周期或者临时使用，建议租用gpu云服务器，既方便又快捷，可按需购买，可以节约成本。

深度学习模型：

GPU服务器可作为深度学习训练的平台：

1.GPU 服务器可直接加速计算服务，亦可直接与外界连接通信。

2.GPU 服务器和计算服务器搭配使用，计算服务器为主 GPU 云服务器提供计算平台。

3.对象存储 COS 可以为 GPU 服务器提供大数据量的云存储服务。

当选择租用深度学习服务器时，有几个关键因素需要考虑：

1. 性能要求：确定你的深度学习任务对计算资源的需求。考虑模型的大小、训练数据集的规模以及预期的训练时间。选择服务器时要确保它具备足够的处理器核数、内存容量和GPU性能，以满足你的需求。

2. GPU类型：深度学习任务通常受益于使用高性能的图形处理器（GPU）。不同型号的GPU在性能和价格方面可能存在差异。查看提供商的GPU选项，选择适合你任务需求和预算的GPU类型。

当GPU型号选定后，再考虑用什么样GPU的服务器。这时我们需要考虑以下几种情况：

第一、在边缘服务器租用上需要根据量来选择T40或者P40等相应的服务器，同时也要考虑服务器的使用场景，比如火车站卡口、机场卡口或者公安卡口等;在中心端做Inference时可能需要A100的服务器，需要考虑吞吐量以及使用场景、数量等。

第二、需要考虑客户本身使用人群和IT运维能力，对于BAT这类大公司来说，他们自己的运营能力比较强，这时会选择通用的PCI-e服务器;而对于一些IT运维能力不那么强的客户，他们更关注数字以及数据标注等，我们称这类人为数据科学家，选择GPU服务器的标准也会有所不同。

第三、需要考虑配套软件和服务的价值。

第四、要考虑整体GPU集群系统的成熟程度以及工程效率，比如像DGX这种GPU一体化的超级计算机，它有非常成熟的从底端的操作系统驱动Docker到其他部分都是固定且优化过的，这时效率就比较高。

3. 存储和网络带宽：考虑数据集的大小和存储需求。确保服务器具有足够的存储容量，并且可以提供高速的数据传输和网络连接，以便快速加载和处理数据。

4. 价格和租赁选项：比较不同提供商的定价和租赁选项。考虑租用期限、费用结构、灵活性以及可能的增值服务。确保选择符合你的预算，并提供所需的灵活性和支持。

5. 技术支持：评估提供商的技术支持服务。深度学习任务可能面临各种挑战和问题，所以确保提供商能够提供及时的技术支持和故障排除。

6. 数据安全和隐私：确保提供商采取了适当的安全措施来保护你的数据。了解其数据隐私政策和数据处理流程。

最后，建议在选择深度学习服务器之前，与多个提供商进行对比，并考虑他们的性能、价格、服务和用户反馈等因素，以便做出明智的租赁选择。