算力配置测算
四个问题，生成三档配置方案
你的主要任务类型？
数据规模？
模型复杂度？
团队规模？
并发任务数？
三类场景，不同算力特征
CPU 密集、内存密集、GPU 密集——各场景的资源瓶颈不同，配置策略也不同
R/Python 机器学习
特征工程、交叉验证、超参网格搜索、模型解释（SHAP/LIME）。以 CPU 多核并行为主，大规模调参时内存是主要瓶颈。
公共数据挖掘
GEO、TCGA、CGGA、ArrayExpress 批量下载与整合。差异表达、生存分析、富集分析、WGCNA 共表达网络。千样本级矩阵运算对内存和 I/O 要求高。
深度学习 GPU
CNN/RNN 训练、Transformer 预训练、LLM（LoRA/QLoRA）微调。显存容量决定可训练的模型规模，多卡并行加速大数据集训练。
预装框架与数据源
Conda 环境预配置，CUDA / cuDNN 驱动就绪，公共数据库可直连下载
常见问题
GPU 选型、显存需求、存储规划等常见问题
小规模数据（如 MNIST 级）CPU 可跑，但实际科研场景（医学影像、组学数据）CPU 训练需数天甚至数周，GPU 可加速 10-50 倍。建议 CNN/Transformer 训练必须配 GPU。
7B 模型 LoRA 微调最低需 16GB 显存（T4 勉强、A10 推荐）；QLoRA 量化后 8GB 可跑但精度有损。13B 以上建议 A100 40GB 或多卡。全参微调 7B 需至少 80GB（A100 80GB 或 4×A100 40GB）。
单套 GEO RNA-seq 原始 FASTQ 约 50-200GB；TCGA 全量下载约 1-2TB；加上中间产物（BAM/VCF/表达矩阵）需 2-3 倍空间。建议公共数据项目至少 4TB 起步。
Scikit-learn、Caret、XGBoost（CPU 版）主要吃 CPU 多核和内存，不需要 GPU。GPU 版 XGBoost/LightGBM 在大数据集上有 2-5 倍加速，但非必需。建议优先投入 CPU 核数和内存。
A100 支持 MIG（多实例 GPU），可将单卡切分为最多 7 个独立实例分配给不同用户。日常建议用任务队列（如 Slurm）管理多用户提交，避免资源争抢。