近年来，深度学习、人工智能等高深名词越来越频繁的出现在大众面前，相关的算法和应用也逐步在实际生活中出现和应用（例如人脸识别、智慧交通等等）。尤其是在计算机视觉、自然语言处理等领域等进展尤为显著。而这其中的相关模型建模和训练测试等场景，都不得不依赖于GPU的强大计算能力，目前仍然是以Nvidia的CUDA(Compute Unified Device Architecture)平台为主。
但是如果作为个人兴趣爱好或者小团队来学习研究，要配置这样一台高性能的计算设备也是比较高昂的，从几万至十几万都有可能。因此如何从经济和使用需求双方面的角度来合理选择GPU资源成为一件非常重要的事情。首先而言，需要面临一个选择：是直接购买硬件进行配置，还是从GPU云平台中获取计算资源。接下来我们简单分析各自的利弊：
1、直接购买硬件进行采购
优势：自然不必多说，设备硬件实打实的放在那里，看得见摸得着，而且完全归自己支配掌握，可以随心所欲的做各种建模运算和算法验证，一个字：爽！
缺点：也很明显，经济代价比较大，成本相对较高。而且如果是工作站/服务器，则普遍存在噪音大（导致无法放在办公环境中），电力消耗比较多。如果是自己动手组装，那么对于自己自身的动手能力要求较高，而且稳定性相对较差。
尤其是需要注意的是：因为GPU功率比较大，需要配备大功率的电源才能更为稳定可靠，否则容易因为电源功率不足导致硬件损伤。硬盘性能对于整体性能影响较为显著，建议采用固态硬盘或者是并行存储方案。
具体的硬件配置和选型，笔者此处不做具体推荐，一则是因为硬件在不断升级改造，例如笔者经历了从RTX 1080Ti，到RTX 2080Ti，然后到RTX 3080Ti，所以此处推荐具体的硬件型号意义不大，另外硬件性能能够满足一定时间内实际需求即可，不必时刻追随新硬件的出现就立刻更换（除非钱袋子很满，不差钱）。另外就是实际需求不一样，成本预算也不一样，所以也无从统一推荐配置。
此处可以参考https://zhuanlan.zhihu.com/p/113340612?ivk_sa=1024320u 等文章，或者直接百度查找最新的相关文章予以借鉴。
2、从GPU云平台获取计算资源
这种方式简单实用，如果计算需求不是很多，可以考虑此种方式，经济实惠。
网上有相关网友推荐，例如：
Colab平台，是Google提供的免费云平台。
Kaggle 机器学习算法大赛平台
以及网友推荐的国内相关平台，部分可以参考如下连接：
https://zhuanlan.zhihu.com/p/147889999
综上所述，在决定采取哪种方式之前，建议先好好了解具体的需求，看看有多少预算，从而做出合理的选择。