主要观点：近年来机器学习领域取得显著进展，这得益于图形处理单元（GPU）在加速机器学习模型训练中的广泛应用，尤其是使深度学习得以普及。
关键信息：

• GPU 擅长深度学习，因其设计处理的计算类型与深度学习中的相同，在矩阵操作等方面比中央处理器（CPU）更专业，能使深度学习算法运行速度大幅提升，学习时间从数天缩短至数小时。
• 介绍在 AWS 上设置启用 GPU 的实例来用 TensorFlow 训练神经网络的步骤，包括创建实例、选择操作系统和实例类型、安装所需库、安装 TensorFlow 及使其支持 GPU、安装 Cuda Toolkit 和 cuDNN 等。
• 说明在 TensorFlow 中利用 GPU 的方法，如使用with tf.device创建设备上下文指定设备，可在单 GPU 或多 GPU 上运行模型。
  重要细节：
• 实例类型选择g2.2xlarge并启用 NVIDIA GRID GPU，安装 TensorFlow 时若出现问题可采用特定方法，安装 Cuda Toolkit 前需注意数据下载量，安装 cuDNN 需注册 Accelerated Computing Developer Program 并进行相应操作。
• 以卷积神经网络（CNN）在 TensorFlow 教程中的图像识别为例，比较在不同配置下训练模型的性能，结果显示 16 个 CPU 的性能才相当于 1 个 GPU，且使用 GPU 训练在相同时间内更便宜 18%。