在 Python 裡要使用 GPU 做運算，必須呼叫 GPU 操作的方法來操作目標物件。因此能不能支持 GPU 運算，關鍵在於套件本身有沒有開發針對該 GPU 操作的模組版本。本篇整理目前主流的 GPU 加速方案：nVidia cuDNN、CuPy，以及 Intel 的選項，並說明 cuDNN 的軟體需求，幫助你在寫第一行程式碼之前先選對方向。
在 Python 使用 GPU 的前提是什麼？
在 Python 裡面要使用 GPU 做運算，需要去呼叫 GPU 操作的方法來操作目標對象。所以，能不能支持 GPU 運算，和套件本身有沒有開發針對該 GPU 操作的模組版本，是最為相關的。
對於 Python 常用的模組，最廣泛有提供 GPU 操作版本的是針對 nVidia 裡的 CUDA 深度神經網絡（cuDNN）庫的支持。
nVidia cuDNN 是什麼？
以下為官網的介紹：
NVIDIA CUDA® 深度神經網絡庫（`cuDNN`）是一個 GPU 加速的深度神經網絡原語庫。cuDNN 為標準例程提供高度調整的實現，例如前向和反向卷積、池化、歸一化和激活層。
>
全球的深度學習研究人員和框架開發人員都依賴 cuDNN 來實現高性能 GPU 加速。它使他們能夠專注於訓練神經網絡和開發軟件應用程序，而不是將時間花在低級 GPU 性能調整上。
>
cuDNN 可加速廣泛使用的深度學習框架，包括 `Caffe2`、`Chainer`、`Keras`、`MATLAB`、`MxNet`、`PaddlePaddle`、`PyTorch` 和 `TensorFlow`。要訪問已將 cuDNN 集成到框架中的 NVIDIA 優化深度學習框架容器，請訪問 NVIDIA GPU CLOUD 以了解更多信息並開始使用。
numpy 不支持 GPU，那 CuPy 是什麼？
因為原本的 numpy 並不支持 GPU，因此社群提供了 CuPy，其接口高度雷同於 numpy，在大多數情況下可以用作直接替代品。要做的只是在 Python 代碼中用 CuPy 換 numpy。例如：
```py
import cupy as cp
x = cp.arange(6).reshape(2, 3).astype('f')
```
CuPy 官網：<https://cupy.dev/>
Intel 也有 Python GPU 方案嗎？
有少數的模組也有提供支持 Intel 的另一個 GPU 操作函式庫，如 NumPy、SciPy 和 Numba，相關資料如下：
- Intel® Distribution for Python*
- Powerful Data Science Software Demands Powerful Hardware
- 可支持英特爾 GPU 的軟件列表
我該選擇適合的 GPU？
若希望能夠使用 GPU 來支持 Python，最重要的就是先確認你要使用哪些函式庫，然後去尋找該函式庫所支持的 GPU 版本。
但以一般情況來說，大多都是會選用 nVidia 的 cuDNN 來做 GPU 版本的開發，因為他所支持的函式庫最為完整，即便 numpy 並不支持，也都有其他開發者開發出相似功能的函式庫作為取代。
以下為 cuDNN 的相關介紹：<https://developer.nvidia.com/cudnn>
cuDNN 的軟體需求有哪些？
您的系統上必須安裝下列 NVIDIA® 軟體：
- NVIDIA® GPU 驅動程式：CUDA® 11.2 需要 450.80.02 以上版本。
- CUDA® Toolkit：TensorFlow 支持 CUDA® 11.2（TensorFlow 2.5.0 以上版本）。
- CUDA® Toolkit 隨附 CUPTI。
- cuDNN SDK 8.1.0（cuDNN 版本）。
- （選用）TensorRT 6.0 可改善某些模型的推論延遲情況和總處理量。
更多資訊請見：<https://www.tensorflow.org/install/gpu?hl=zh-tw#hardware_requirements>
安裝細節教學請見：<https://ithelp.ithome.com.tw/articles/10249572>
延伸閱讀
- 在 Python 裡面使用 GPU 3 – 開發 GPU 程式：同樣聚焦 GPU、Python，可接著比較不同情境的做法。
- 在 Python 使用 GPU：安裝正確 TensorFlow、PyTorch 與 CuPy 套件：同樣聚焦 Python、GPU，可接著比較不同情境的做法。
- 讓 OpenCV 支持 GPU：同樣聚焦 GPU、CUDA，可接著比較不同情境的做法。
常見問題
Python 使用 GPU 加速一定要用 nVidia 的顯卡嗎？
不一定要，但 nVidia 的 cuDNN 生態系最完整，TensorFlow、PyTorch、Keras 等主流框架都有針對 CUDA/cuDNN 的 GPU 版本。若使用 Intel GPU，則可考慮 Intel Distribution for Python 中的 NumPy、SciPy 與 Numba。
numpy 本身支持 GPU 嗎？
numpy 本身並不支持 GPU。若需要 numpy 風格的 GPU 運算，可以使用 CuPy，其接口與 numpy 高度相似，大多數情況下只要把 `import numpy` 換成 `import cupy` 就能直接替代。
安裝 cuDNN 前需要準備什麼？
需要先安裝 NVIDIA GPU 驅動程式（CUDA 11.2 需要 450.80.02 以上版本）與 CUDA Toolkit，並搭配 cuDNN SDK 8.1.0。版本之間有相容性要求，建議先確認你要用的框架（如 TensorFlow）支援的 CUDA 版本再安裝。
CuPy 可以完全取代 numpy 嗎？
在大多數情況下可以作為直接替代品，因為接口高度雷同。但仍需留意部分 API 的行為差異，以及資料在 CPU 與 GPU 記憶體之間的傳輸成本，小規模運算時加速效果可能不明顯。
參考資料
最後更新
2026-08-28（原文發布於 2023-01-03，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-01-03