---
title: "圖形處理器（GPU）"
slug: gpu
language: zh-TW
source: https://aiterms.tw/terms/gpu
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 模型訓練, 模型部署, 電腦視覺, 神經網路, AI基礎, iPAS中級]
ipas_term: false
---

# 圖形處理器（GPU）

> **你有沒有遇過算圖、剪片、訓練模型時，電腦明明很新卻還是卡？**
>
> 你可以把 GPU 想成專門處理很多相似小計算的工人群。
> 它不一定每一步都比 CPU 聰明，但能同時做很多件事，所以在深度學習、影像處理和渲染上特別有用。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **GPU vs CPU**
> CPU 擅長少量複雜任務
> GPU 擅長大量平行任務
> 最關鍵的區別是單點能力強，還是同時處理很多件事
>
> **GPU vs TPU**
> GPU 很通用，適合很多型別的計算
> TPU 更偏向神經網路矩陣運算
> 最關鍵的區別是通用性還是專用加速
>
### 記住這句就好

> 很多小算一起算，找 GPU。

### 實際案例

> **模型訓練**
> 深度學習訓練需要大量矩陣運算，GPU 可以把這些運算平行化，所以訓練速度通常比只用 CPU 快很多。
>
> **影像渲染**
> 3D 遊戲和影片特效要快速產生大量像素，GPU 就很像專門跑產線的機器，能把畫面算得又快又穩。
>
### 算法與應用

> GPU 的價值在平行運算能力和記憶體頻寬，很多深度學習框架也直接把它當主要運算後端。
> 實際挑選時，不只看算力，也要看 VRAM、驅動支援和你的工作型態。

### 情境判斷

> **Q1：** 你只是想跑 Excel 和文書，需不需要高階 GPU？
> → 通常不需要，這類工作主要吃 CPU 和記憶體。
>
> **Q2：** 你要訓練影像分類模型，預算有限，先考慮什麼？
> → 先看可用的 GPU 記憶體和雲端租用成本，再決定要不要升級硬體。
>
### 常見問題

> **Q：GPU 一定比 CPU 快嗎？**
> 不是，只有在能大量平行化的工作上才會明顯快。
>
> **Q：VRAM 為什麼重要？**
> 因為模型和資料要放得下，記憶體不夠就會變慢甚至跑不動。
>
> **Q：雲端 GPU 值得嗎？**
> 短期實驗或偶爾訓練時常常值得，長期大量使用則要算總成本。
>
### 相關術語

> - **深度學習**：很多訓練工作都會直接吃 GPU
> - **電腦視覺**：影像任務最常碰到 GPU 加速
> - **卷積神經網路**：典型需要 GPU 加速的模型類型

---

來源：https://aiterms.tw/terms/gpu
快查頁：https://aiterms.tw/terms/gpu
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-gpu