计算机组成原理里面提到计算机必须具备五大基本组成部件：运算器、控制器、存储器、输入设备和输出设备，其中运算器和控制器必定存在于 CPU 中。然而，如果 CPU 中运算器数量特别少，我们的程序却需要进行大量的巨型矩阵的运算，使用 CPU 运行时间会特别长。我们先来简单分析一下为什么 CPU 运行时间会特别长，因为运算量非常大，同时 CPU 只能一次运算一条数据，虽然现在 CPU 普遍是多核，但是处理大量的数据还是显得力不从心。这个时候我们就不能使用 CPU 了，而应该使用 GPU，我们首先来看一下 GPU 究竟是个什么东西。
GPU
图形处理器(英语:Graphics Processing Unit，缩写:GPU)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。
考虑到 GPU 主要用来处理图像，而图像在计算机中的存储是一个二维数组或者三维数组，因此，图像的各种变换可以看作是对这个数组的各种变换。为了可以迅速做出变换，GPU 的构造就比 CPU 要复杂得多，CPU 当中只有几个大核，而 GPU 中确有几千个小核，只不过小核频率会比较低（现在普遍都是 1GHz），但是毕竟 GPU 是靠着数量取得胜利的，频率低一点其实也无所谓，因为 CPU 也并没有频率高出太多，普遍 3GHz。稍微想一下都应该知道，1 和 3 还是处在一个数量级的，而几个和几千个就不是一个数量级了，因此，我们在进行巨型矩阵的运算过程中，使用 GPU 是必须的。下面我们就来看一下如何使用 GPU 运行代码。
用 GPU 运行代码
用 GPU 运行代码的方法非常的简单，我在这里以 tensorflow 为例进行讲解。首先我们需要安装 tensorflow，直接使用 pip 安装即可。
安装完成后如图所示。
接下来我们就需要让 GPU 支持基于 tensorflow 的程序，在此之前还有一个问题，是不是所有的 GPU 都可以支持，其实不是的，官网上有提到，要求 CUDA 计算能力大于等于 3.5 的 NVIDIA GPU，查看自己 GPU 是不是 NVIDIA 的很简单，GPU-Z 就够了，查看 CUDA 算力是多少可以访问
https://developer.nvidia.com/cuda-gpus
如果硬件满足要求了就去看软件要求，如图所示。
NVIDIA 驱动程序一般一买回来就已经安装在系统中了，如果需要安装的自己去安装一下就行（注意图中的版本），接下来我们依次安装其他的软件，首先是 CUDA 工具包。
CUDA 工具包的安装
进入 CUDA 工具包下载页面，如图所示。
根据版本要求，点击选中的部分，跳转页面如图所示。
选择好对应的内容，最后点击下载即可，下载完成之后打开文件，如图所示。
修改解压路径，点击 OK，等待解压完成，解压完成后如图所示。
点击同意并继续，如图所示。
这里需要注意，千万不要选择精简，我们应该选择自定义，因为精简会把现在的显示驱动给覆盖掉，选好后点击下一步，如图所示。
然后只要是存在当前版本的组件就把前面的勾去掉，因为都装好了，再装一遍没有意义，完成后点击下一步，如图所示。
选择安装位置，点击下一步，等待安装完成，安装完成后如图所示。
点击下一步，然后点击关闭就安装完成了。
cuDNN SDK 的安装
接下来我们安装 cuDNN SDK，首先进入官网，如图所示。
点击下载 cuDNN，可能需要注册一个账号并登录，我已经登录过了，登陆后的页面如图所示。
分别按照上述步骤进行点击，下载 cuDNN，下载好了之后我们解压到指定目录，解压完成之后，需要移动或者复制三个文件。
- <cuDNN 安装路径>/cuda/bin/cudnn64_7.dll→<CUDA 安装路径>/bin
- <cuDNN 安装路径>/cuda/include/cudnn.h→<CUDA 安装路径>/include
- <cuDNN 安装路径>/cuda/lib/x64/cudnn.lib→<CUDA 安装路径>lib/x64
TensorRT 的安装
进入 TensorRT 官网，如图所示。
点击下载，然后在新页面选择好对应的信息点击下载即可。下载完成之后先解压，然后把库文件目录（<解压路径>/TensorRT-6.0.1.5/lib）添加到环境变量 PATH 中，这样就完成了安装。
GPU 测试
最后一步，我们需要测试 GPU 和 CPU 之间的差距，这个测试比较简单，就是同样的运算让 CPU 先运行，GPU 后运行，当然反过来也可以，代码如下：
代码语言：javascript复制
from time import perf_counter
import tensorflow as tf
def f(device_name, n):
with tf.device(device_name):
a = tf.random.uniform((n, n))
b = tf.random.uniform((n, n))
start = perf_counter()
print(a@b)
print(device_name, perf_counter()-start)
if __name__ == '__main__':
print(tf.config.list_logical_devices())
N = 20000
f('/device:CPU:0', N)
f('/device:GPU:0', N)代码很简单，生成两个 N*N 的矩阵，然后相乘，我们主要看 CPU 需要运行多久，GPU 需要运行多久，其中 CPU 的运行时间和 GPU 的运行时间如下图所示。
我们可以发现 CPU 运行了将近 1 分钟，GPU 只运行了 5 秒，将近 10 倍的差距。
