全文共2209字，預計學習時長6分鐘
我對遊戲近乎痴迷。從小到大，我對顯卡的唯一要求就是為了玩遊戲。直到開始接觸人工智慧和數據科學領域，尤其是深度學習之後，我才意識到了顯卡的真正潛力。就像夢想照進了現實——只用一片簡單的顯卡，就能同時滿足學習和研究的需求，真是妙啊。（註：GPU和顯卡是一個意思，在本文中互換使用。）
經過優化的GPU可用於訓練人工智慧和深度學習系統，因為它們可同時處理多個計算。這些系統有大量的內核，可以更好地計算大量並行進程。
本文將解釋GPU和CUDA的概念，然後進一步探索圖形處理器（GPU）的優點，以及在預算有限的情況下購買它的最佳時機。最後，本文將討論你的其他選擇。閒話少說，先從理解概念開始。
什麼是GPU？
GPU即圖形處理器，它是一種特殊的電子元件，用於快速操作並改變內存，以提高在幀緩衝區內創建圖像的速度，從而輸出於顯示設備中。GPU是現代計算的一個關鍵部分，它的計算能力和高性能網絡正在改變計算科學和人工智慧。
英偉達（NVIDIA）公司提供了一種名為統一計算設備架構（CUDA）的東西，它對許多深度學習應用至關重要。
CUDA是由英偉達公司開發的並行計算平臺和應用程式編程接口模型。它允許軟體開發者和軟體工程師們使用支持CUDA的圖形處理器（GPU）進行通用處理，也就是一種名為GPGPU的方法。CUDA的內核在人工智慧領域有很強的優勢，且在該領域極具革命性，下文中將詳細說明。
GPU的優點
顯卡種類不同，CUDA內核的數量也不同。但可以肯定地說，大多數顯卡至少有1000個CUDA內核。當你使用諸如TensorFlow或Pytorch等深度學習框架時，可以使用這些CUDA內核計算深度學習算法，計算速度同相同性能的CPU相比要快得多。
CPU只能同時進行少量操作，而GPU可同時處理幾千個同類操作。假設一項需要CPU處理2到3小時的任務，在高質量GPU的協助下可能只需10分鐘即可完成。
GPU是計算機視覺和超級計算的動態資源，其深度學習和神經網絡可以執行複雜的任務，有時甚至超出人類的想像。
同樣，GPU還可用於其他方面。例如，GPU可用於嵌入式系統、智慧型手機、個人電腦、工作站和遊戲機中。
其他任務也可充分利用這些顯卡，比如可用於遊戲，尤其是3A級遊戲中（3A代指由中型或大型遊戲公司創作、發布的電子遊戲，這些遊戲通常有更高的開發和營銷預算），或用於其他需要GPU的圖形軟體，如動畫和設計方面。
GPU也廣泛應用於機器人領域，它能讓高科技機器人感知環境，並將人工智慧綜合運用其中。汽車產業也同樣十分需要這些設備，它們可以應用於基於深度學習的自動駕駛汽車中。
最後，GPU也廣泛應用於醫療保健和生命科學領域，它們可以利用數據進行理想的圖像分割任務，或是進行其他醫學用途。
還有一點很關鍵，顯卡挺貴的！尤其當你預算有限時，可能很難決定該不該買顯卡。那麼，如何得出一個明智的結論呢？我的個人建議是：確保你在數據科學領域已經有足夠深入的了解，已經理解了機器學習的概念，並且對深度學習有基礎的理論知識之後，再做決定。
假如你真的確信自己對深度學習感興趣，並且希望進一步研究這個有趣的領域，那麼你可以毫不猶豫地為自己買一個。假如你想知道有沒有替代選項，或者有沒有在一頭扎進這個領域前用來試水的免費工具，那麼你很幸運，因為有許多可用的資源。
替代選項
如果你只是想測試深度學習系統，或者你已經確定不需要顯卡，那麼有哪些能用於深度學習的備選項呢？
對初學者來說，假如你想在個人電腦上辦公，且已經有了中等CPU能夠進行平均計算，你可以選擇安裝TensorFlow的CPU版本。安裝可以通過簡單的pip命令完成，如下所示：
pip install tensorflow
對於簡單的深度學習計算，例如使用MNIST資料庫進行工作，用CPU 和 GPU差不多。CPU版本正好適合初學者級別的深度學習項目。
但是假如你想擁有實踐經驗，親身體驗使用GPU的感受，你可以使用完全免費的Google Colaboratory，簡稱為Google Colab。這是一款Google Research推出的產品，能讓任何人通過瀏覽器編寫或執行任意的python代碼，尤其適合用於機器學習、數據分析和教育領域。
其他的替代品還有創建AWS雲實例或使用IBM Watson Studio。這些都是從我個人經驗裡總結出的替代方法。有了這些選擇，你能輕鬆地親自探索深度學習，並獲得該領域的基本知識。
回到最開始的問題：如果你是個初學者，剛開始上路，那麼你肯定不需要購買；然而，如果你更認真，且已經獲得了敏銳的理解和知識，並想進一步深入學習，那麼強烈推薦購買！
留言點讚關注
我們一起分享AI學習與發展的乾貨
如轉載，請後臺留言，遵守轉載規範