随着深度学习不断渗透到各个AI应用场景，越来越多的研发人员开始依赖GPU算力加速深度学习模型的训练。也有人戏称GPU为深度学习领域的核武器，虽然很多芯片公司都提供了相应的芯片解决方案，但是较为主流的方式还是选用英伟达的GPU并使用上层的CUDA和cuDNN驱动生态进行深度学习应用的开发。由于英伟达新品不断推出，我们列举特定型号的GPU没有太大意义，所以结合选型的不同场景和需求，根据场景进而选择型号的形式更容易应对更迭。
当然除了深度学习，GPU还用于比特币挖矿，游戏渲染和科学计算吗，所以相应设备和服务之前就已经有很多厂商进行提供。
1 公有云方案
Amazon，微软，阿里云等是较为有代表性的厂商，相继提供了不同的解决方案，不同厂商比价较为严重，所以一般价格不会相差悬殊。
1.1 微软Azure
以Azure为例，相应配置和价格可以参考：
https://docs.microsoft.com/en-us/azure/virtual-machines/windows/sizes-gpu
- NC, NCv2, NCv3, and ND sizes are optimized for compute-intensive and network-intensive applications and algorithms, including CUDA- and OpenCL-based applications and simulations, AI, and Deep Learning.
- NV sizes are optimized and designed for remote visualization, streaming, gaming, encoding, and VDI scenarios utilizing frameworks such as OpenGL and DirectX.
1.2 Amazon AWS
1.3 阿里云
2 超算中心方案
由于之前很多自然科学的科学计算负载需要运行在GPU上，所以很多超算中心也会提供相应的资源。
2.1 天河超算
http://jyzd.cumt.edu.cn/campus/view/id/714969
3 物理服务器方案
具体可以参考独立供应商，通过网络或实体进行购买
3.1 购买
4 个人PC方案
因为GPU之前很多内置于适用于游戏的PC中，例如Geforce系列，较为经济的方式也可以个人安装尝鲜。
友情推荐：ABC技术研习社
为技术人打造的专属A(AI),B(Big Data),C(Cloud)技术公众号和技术交流社群。
