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：
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：
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
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
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。
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
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