独立的深度学习工作站（服务器）可以方便实现实验室计算资源共享，多用户可以在个人电脑编写程序，远程访问到深度学习服务器上排队使用计算资源，减少购买设备的开支并且避免了在本地计算机配置复杂的软件环境。
1、当需要对大数据bigdata做同样的事情时，GPU更合适，当需要对同一数据做很多事情时，CPU正好合适。GPU能做什么？关于图形方面的以及大型矩阵运算，如机器学习算法等方面，GPU就能大显身手。
2、性能：GPU云服务器在处理图形和计算密集型任务时具有优势，例如深度学习、虚拟现实、视频编解码等。而CPU云服务器更适合处理一般的计算任务，例如Web服务器、数据库服务器等。
3、NPU 为深度学习而生的专业芯片 不过考虑价格与制造工艺水平，GPU更实惠更成熟。很多深度学习喜欢买NVIDIA的高单精度的多张游戏卡来用。
4、Torch是一种用于深度学习的开源框架，支持CPU和GPU两类硬件加速。CPU（Central Processing Unit）是计算机的中央处理器，负责计算和执行数据操作。使用CPU进行计算时，Torch框架会利用多线程和并行处理能力对计算任务进行加速。
5、深度学习用cpu训练和用gpu训练的区别 （1）CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算。
传统解决方式：CPU规格很随意，核数和频率没有任何要求。GPU要求 如果你正在构建或升级你的深度学习系统，你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上，收获巨大。
自己的电脑可以跑深度学习，但是对电脑还是要有点要求的，毕竟跑代码，以及深度学习很费时间的。
没有gpu用云服务器运行深度神经网络。深度学习可以理解为深度神经网络进行机械学习，这种情况必须得用GPU，还得好几块，同时还得搭配容量更大的内存，如果没有GPU，用云服务器跑深度学习也可以。
Sequential models：这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。Functional API：Keras的API是非常强大的，你可以利用这些API来构造更加复杂的模型，比如多输出模型，有向无环图等等。
不建议用笔记本跑深度学习的代码。很少有人直接在自己笔记本上炼丹。你们自己的实验室没有提供带有GPU的服务器吗？建议自己租一台带GPU的（云）服务器。
很多模型都能cover，seq2seq这种也有现成的可用。建议不要光看example，多看看github上的 issues讨论，实在找不到，直接提问。效率方面，我不懂theano怎么优化，感觉keras的这种封装，没什么成本，跟自己用原生theano是一样的。
NVIDIA Tesla V100 服务器：具备高性能计算能力和内存容量，适用于深度学习、大规模数据分析和AI训练等场景。
英伟达无疑是深度学习硬件领域中的领导者，大多数深度学习库都对英伟达GPU提供最佳支持，软件是英伟达GPU非常强大的一部分。
深度学习GPU服务器属于异构计算服务器，将并行计算负载放在协处理器上。如果推荐，首选一定是英伟达GPU服务器，或者选择英伟达授权的官方代理也是可以的。国内有很多英伟达代理商，蓝海大脑就是其中之一。有兴趣的可以去了解一下。
我是在思腾合力购买的服务器，他们家也有服务器租赁服务，而且他们家一直深耕教育、科研、AI行业，80%做人工智能科研等领域研究的重点高校已应用思腾合力产品，你可以了解下，关键还是根据自己的需求和预算做考虑。
图灵。安倍和图灵两个图灵更适合深度学习，Turing（图灵）和Ampere（安培）是Nvidia用于其RTX系列显卡的两种高级GPU架构。