摘要：随着人工智能时代的到来，计算能力变得越来越重要。GPU计算已经成为了必然的趋势，对于机器学习爱好者来说要想训练一个高质量的神经网络，使用GPU无疑是最佳选择。

GPU计算已成为数据科学领域的重要组成部分。计算需求的不断增长，使得GPU计算逐渐流行起来。此外，现在每个主要云计算提供商都提供了GPU服务，比如阿里云，因此现在访问高性能硬件是非常简单的一件事。但是，自行构建GPU软件是相当吓人。幸运的是，Anaconda Distribution可以很容易地启动GPU计算，并且可以从我们的软件包库中直接安装几个支持GPU的软件包。在这篇博客文章中，我们将向你介绍如何在Anaconda发行版中开始使用GPU。

在本文中我将介绍NVIDIA GPU制造的GPU，因为它们在Anaconda Distribution中有内置支持，但是AMD的Radeon Open Compute计划也在迅速改善AMD GPU计算生态系统，以保证能够适应现在的软件。

1.什么时候选择GPU？

GPU并不是通用计算设备。它们是专门的协处理器，对于一些任务来说是非常好的(一般可以提升10倍的性能)。GPU最成功的应用是在设备的大并行浮点吞吐量和高内存带宽的问题领域中。一些例子包括：

1.线性代数。

2.信号和图像处理(FFT)。

3.神经网络和深度学习。

4.其他机器学习算法，包括广义线性模型，梯度增强等。

5.蒙特卡罗模拟和粒子运输。

6.流体模拟。

7.内存数据库。

...

所有这些成功用例的共同点是什么？广义而言，准备用于GPU加速的应用程序具有以下特征：