中标
[JJ202001805]计算服务器网上竞价成交公告
金额
3.44万元
项目地址
湖北省
发布时间
2020/10/15
公告摘要
公告正文
成交信息
公告列表标题
成交信息
成交供应商：
武汉韬亿科技有限公司
成交金额：
￥34,480.00
成交理由：
符合要求，价格最低
采购项目信息
公告列表
| 项目名称 | 计算服务器 | 项目编号 | JJ202001805 |
| 开始时间 | 2020-10-09 17:54:18 | 截止时间 | 2020-10-14 17:54:18 |
| 联系人 | ******** | 电话 | ******** |
| 支付方式 | 货到验收后付款 | 合同签订时间 | 竞价成交后3工作日 |
| 交货时间 | 合同签订后3 工作日 | ||
| 送货地址 | 湖北 武汉市 洪山区 珞瑜路1037号科技楼南409 | ||
| 供应商资质要求 |
1.符合《政府采购法》第二十二条规定的供应商基本条件; |
||
| 售后服务 |
全新原厂正品； 原厂提供随机三年的 （24*7）4小时上门的人工+备件免费白金质保服务 |
||
| 需求附件 | 暂无 | ||
成交货物信息列表
| 序号 | 品目 | 商品名称 | 品牌 | 型号 | 数量 | 计量单位 | 质保期（月） | 单价（元） |
|---|---|---|---|---|---|---|---|---|
| 1 | 服务器 | 计算服务器 | 超微 | 型号 SYS 7049 | 1 | 台 | 36 | 34480.0 |
| 技术参数 | 1）本系统要求采用INTER GOLD 6278C，26核48线程，提供2.35万亿次每秒的浮点计算能力，工作频率2.6GHz； 2）数据指标：工作频率至少需要2400MHz，显卡：丽台P1000 4G显存，可分配容量每个处理核心至少需要4 GB的容量； 3）高速处理模块：为提高系统的运行效率，需要额外增加专业高速图形处理模块，处理模块采用主动散热模式，供电环境由本系统统一供应，处理模块至少需要提供16.2万亿次每秒的单精度浮点计算能力以及130.4万亿次每秒的Tensor计算能力，加速缓存空间总共需要4GB的容量，GPU模块1个，最大可扩展至4个； 4）系统存储：不少于1块SSD硬盘，一个单块硬盘容量480GB SSD 做系统盘，1块SATA,单块硬盘容量8TB SATA 企业级作存储盘； 5）内存模块数量：支持4TB内存，本机提供128GB内存; 网络：板载两个千兆电口； 6）供电模块：为了确保平台的稳定可靠运行，机器电源提供1200w单电源1、1+0冗余供电模块； 7）规格：5U塔式 8）服务器出厂自带如下性能系统： 1．采用轻量级容器虚拟化技术和Kuberates管理平台，实现对CPU、内存、磁盘等资源的虚拟化和统一管理。针对人工智能领域的特定需求，提供GPU等异构计算资源管理接口，实现对GPU等异构计算资源的虚拟化统一管理，支持为容器以直通方式挂载GPU等异构计算资源； 2. 支持容器间infiniband高速通信 3. 允许用户上传自定义的代码程序和数据文件，通过在线提交计算资源需求即可启动训练任务，支持单机多GPU和多机多GPU的训练任务。支持在Web界面通过jupyter、远程图形桌面直接访问虚拟环境。支持通过pycharm方式上传代码和数据，提供功能截图证明； 4. 支持输出损失率、准确率等动态可视化监控图表，同时支持输出训练过程日志，并提供日志下载功能； 5.具有硬件加密功能，服务器支持采用硬件加密的方式接入集群； 6. 具有镜像管理功能，支持私有镜像仓库，集中化管理用户的镜像。能够提供新建项目、设置用户权限等功能。支持用户对本地镜像的编辑，镜像推送，删除等操作，提供功能截图证明； 7. 系统支持管理员和普通用户两种角色用户，管理员可以为普通用户创建一个或多个独立的GPU集群环境，并可以限制CPU、GPU、内存等资源量的大小，将资源分割成多个独立的集群，方便为多个部门提供服务，提供功能截图证明型号、插槽位置、显存使用量、电压使用量、温度、风扇转速、负载状况等指标、图标显示界面刷新率为秒级；监控模块国产自主可控并提供软/硬件证书； 9） Ubuntu Linux 16.04及以上操作系统： 1.GPU CUDA 编译环境 ：CUDA Toolkit ，GPU Driver； 2.深度学习框架：Tensorflow，mxnet，pytorch, caffe 等等； 3.NVIDIA DIGITS? GPU 训练系统； 4.Deep Learning SDK ：深度学习原生库 CuDNN，深度学习推理引擎（TensorRT）； 5.NVIDIA Docker 容器平台:包括编程、运行、系统工具、系统函数库等都打包到一个完整的文件系统中，可安装到任何一台服务器上； 6.深度学习加速库：cuBLAS， cuSPARSE , NCCL。 | |||||||
华中科技大学
2020年10月15日
解决方案
联系我们
返回顶部