如果只用CPU进行训练，一些简单的还是可以对付的。
但如果是比较大的项目，需要处理很多数据，CPU的速度就很难跟得上了。
此时需要使用GPU进行训练。
为什么是GPU呢？
记得有个例子，CPU就像几位老师（核心少），GPU就像数量超多的小学生（动不动就上千核心），CPU核心少但能力强，GPU核心多但每个只能做一些简单的事情。在深度学习中，往往需要大量类型单一、重复的运算，就像去写大量的小学数学题一样，同样数量的数学题平均分配给8位老师（8核CPU）或上千小学生（GPU），比一下速度就知道了。
流程简介
1、准备工作
（1）淘一块英伟达显卡
（2）下载CUDA、CUDNN
CUDA：https://developer.nvidia.com/cuda-downloads
CUDNN：https://developer.nvidia.com/cudnn
先不要着急下载，浏览最新的PaddlePaddle官方文档才是最重要的，不然下错了版本就很尴尬了。
（3）安装PaddlePaddle-gpu
2、确定需要下载的CUDA和CUDNN版本
打开PaddlePaddle文档
V1.3PaddlePaddle文档链接
Ubuntu:http://paddlepaddle.org/documentation/docs/zh/1.3/beginners_guide/install/install_Ubuntu.html
Windows:http://paddlepaddle.org/documentation/docs/zh/1.3/beginners_guide/install/install_Windows.html
写这篇文章时候PaddlePaddle官网上支持Windows版本的是CUDA 8.0 cuDNN v7
所以下载安装即可
3、安装CUDA和CUDNN
安装折腾了我好久，失败了数次，最终的解决路线是先卸载显卡驱动后再安装CUDA（如果黑屏也先不用重启，等待一会儿后重启再安装，如果失败就卸载全部组件重新重复这个步骤）
（2）解压CUDNN
（3）将CUDNN的文件复制到CUDA目录下进行合并处理
4、安装PaddlePaddle-gpu
原本想安装版本上写的不是有对应CUDA和CUDNN的版本号么，于是就安装了一下，发现pip会报错
最后选择了没有写全版本号的PaddlePaddle-gpu版本
5、测试训练是否可以在GPU下进行
cpu = fluid.CUDAPlace(0)中的"0"代表显卡的序号
运行一下试试
大功告成，终于可以使用GPU训练了
Tips:如果报CUDA的错误可以参考文章：https://blog.csdn.net/u010618587/article/details/82940528将环境变量加上再试试
