为什么深度学习需要使用 GPU？选择 GPU 有两点原因：

1. 深度学习的运算可以并行
2. GPU 运算的核心数多

1. 并行运算

深度学习会涉及大量的矩阵运算。

对于n×k">n×k n\times k维的矩阵A=[a11a12⋯a1k⋮⋮⋱⋮an1an2⋯ank]">A=[a11a12⋯a1k⋮⋮⋱⋮an1an2⋯ank] A=\begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1k}\\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nk} \\ \end{bmatrix}

以及k×m">k×m k\times m维的矩阵B=[b11b12⋯b1m⋮⋮⋱⋮bk1bk2⋯bkm]">B=[b11b12⋯b1m⋮⋮⋱⋮bk1bk2⋯bkm]

B=\begin{bmatrix} b_{11} & b_{12} & \cdots & b_{1m}\\ \vdots & \vdots & \ddots & \vdots \\ b_{k1} & b_{k2} & \cdots & b_{km} \\ \end{bmatrix}

在计算两者乘积的结果C=A×B">C=A×B

C=A\times B时，C">C

C中任意一个元素的计算公式为：

cij=∑r=1kairbrj,i∈[1,n],j∈[1,m]">cij=∑r=1kairbrj,i∈[1,n],j∈[1,m] c_{ij}=\sum_{r=1}^{k}a_{ir}b_{rj}, i\in\left[ 1, n \right], j\in\left[ 1, m \right]

从公式中可以看出：C">C C 中的每个元素的计算没有关联性，因此可以同时并行运算。

2. 核心多

好比 GPU 有好多成千上万的的“小计算器”，CPU 中几个或十几个的“高性能的小计算器”。

因此从这个可以看出，GPU 上的运算单元比 CPU 多。

虽然 CPU 上每个单元性能高，但面对大量计算时，GPU 在完成一批矩阵运算时，同时运算的数量高，所以总体下来还是 GPU 适合。