CUDA只能用于N卡哟，你可以试试OpenCL
可以参考这2篇实例的介绍思路
【Pytorch使用GPU加速的步骤】，链接：https://blog.csdn.net/tianjuewudi/article/details/116952321
【[开发技巧]·PyTorch如何使用GPU加速（CPU与GPU数据的相互转换）】，链接：https://xiaosongshine.blog.csdn.net/article/details/89401522?spm=1001.2101.3001.6650.6&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-6-89401522-blog-116952321.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-6-89401522-blog-116952321.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=11
是的，在Python中使用GPU加速并不局限于使用主流的深度学习框架。 通常情况下，你需要使用Python中的一种称为CUDA的库来实现这一点。 CUDA是由Nvidia开发的并行计算架构，支持在兼容的GPU上运行C / C ++和Fortran代码。
使用CUDA可以在Python代码中调用C / C ++函数，这些函数在GPU上运行，并且可以使用Python代码进行控制。 因此，你可以使用CUDA来加速任何支持的代码，而无需依赖特定的框架。
需要注意的是，使用CUDA加速代码并不是一件简单的事情。 你需要对C / C ++语言有所了解，并且必须编写代码来将数据复制到GPU，在GPU上运行代码，然后将结果复制回CPU。
如果你想使用CUDA加速您的Python代码，建议您先阅读Nvidia的CUDA文档，了解如何在C / C ++中使用CUDA，然后再尝试在Python中调用C / C ++代码。
加速什么类型的项目啊
是啥项目吖～GPU只对浮点运算有效。然后还要看看包对GPU算力的要求，达不到要求算力就不会用GPU运算
实现GPU加速恐怕python实现不了吧
可以使用 NVIDIA 的 CUDA 工具包在 Python 代码中直接调用 GPU。CUDA 提供了一个 C 语言接口，可以让在 Python 代码中调用 C 函数来使用 GPU。
为了使用 CUDA，需要安装 NVIDIA 的 GPU 驱动和 CUDA 工具包。然后可以使用 Python 的 ctypes 库调用 CUDA 的 C 函数。
例如可以使用以下代码在 Python 中调用 CUDA 的矩阵乘法函数：
import ctypes
import numpy as np
# Load the CUDA library
libcuda = ctypes.cdll.LoadLibrary('libcuda.so')
# Define the C types for the CUDA function
cuda_matrix_mul = libcuda.cuda_matrix_mul
cuda_matrix_mul.argtypes = [ctypes.c_void_p, ctypes.c_void_p, ctypes.c_void_p,
ctypes.c_int, ctypes.c_int, ctypes.c_int]
# Allocate some arrays on the host (CPU)
h_a = np.random.randn(1024, 1024).astype(np.float32)
h_b = np.random.randn(1024, 1024).astype(np.float32)
h_c = np.empty((1024, 1024), dtype=np.float32)
# Allocate some arrays on the device (GPU)
d_a = cuda.mem_alloc(h_a.nbytes)
d_b = cuda.mem_alloc(h_b.nbytes)
d_c = cuda.mem_alloc(h_c.nbytes)
# Copy the arrays from the host to the device
cuda.memcpy_htod(d_a, h_a)
cuda.memcpy_htod(d_b, h_b)
# Call the CUDA function
cuda_matrix_mul(d_a, d_b, d_c, 1024, 1024, 1024)
# Copy the result back to the host
cuda.memcpy_dtoh(h_c, d_c)
# Check the result
assert np.allclose(h_a @ h_b, h_c)
在这段代码中，首先使用 ctypes 库加载了 CUDA 库（这里是 libcuda.so，可能需要更改文件名）。然后使用 argtypes 属性定义了调用的 C 函数的参数类型，这里是 cuda_matrix_mul 函数。
接下来，在 CPU 上创建了三个 Numpy 数组，分别是矩阵 A、矩阵 B 和矩阵 C。然后使用 cuda.mem_alloc 函数在 GPU 上为这三个数组分配内存。
接着，使用 cuda.memcpy_htod 函数将两个输入矩阵从 CPU 复制到 GPU 上。然后调用 cuda_matrix_mul 函数进行矩阵乘法运算。使用 cuda.memcpy_dtoh 函数将结果从 GPU 复制到 CPU 上。
这段代码只是一个简单的例子，可以根据自己的需要编写更复杂的代码。但是这段代码已经展示了如何使用 CUDA 在 Python 中直接使用 GPU。
仅供参考，望采纳，谢谢。
如果您的 Python 项目没有使用主流的深度学习框架，那么很可能并不能使用 GPU 进行加速。这是因为，在没有使用深度学习框架的情况下，很难将任务分解成小块，以便 GPU 进行并行处理。
如果您想使用 GPU 进行加速，可以考虑使用主流的深度学习框架，比如 TensorFlow 或 PyTorch。这些框架都提供了高层次的接口，使得用户可以轻松地使用 GPU 加速计算。
如果您的 Python 项目已经使用了深度学习框架，但是无法使用 GPU 进行加速，可以尝试以下方法：
1.检查您的系统是否安装了 CUDA 驱动程序。如果没有安装，可以在 NVIDIA 网站上下载安装。
2.确保您的 Python 环境中已经安装了相应的深度学习框架的 GPU 版本。
3.在代码中使用相应的深度学习框架函数来指定使用 GPU 进行计算。比如，在 TensorFlow 中可以使用 tf.device('/GPU:0') 来指定使用 GPU 进行计算。
4.在执行代码时使用环境变量 CUDA_VISIBLE_DEVICES 指定可见的 GPU 设备。比如，可以使用 CUDA_VISIBLE_DEVICES=0 来指定使用编号为 0 的 GPU 设备。
希望这些信息能帮到您。如果还有其他问题，欢迎继续提问。
Win10+Python3.9+GPU版pytorch环境搭建最简流程
Win10+Python3.8+GPU版tensorflow2.x环境搭建最简流程
Tensorflow-gpu1.x版本和Tensorflow-gpu2.x版本共存之法
这3篇应该对你有帮助，我自己搭建环境的笔记。
python调用英伟达GPU加速方法
可以借鉴下
https://blog.csdn.net/qq_39200794/article/details/123029640
如果你想在普通的 Python 项目中实现 GPU 加速，你需要使用支持 GPU 的 Python 库。常用的这样的库有 TensorFlow、PyTorch 等。
下面是使用 TensorFlow 库实现 GPU 加速的示例代码：
import tensorflow as tf
# 指定使用 GPU 进行运算
with tf.device('/gpu:0'):
# 定义变量和运算
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# 创建会话
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
# 运行运算
print(sess.run(c))
在上面的代码中，我们使用了 tensorflow 库中的 device 函数来指定使用 GPU 进行运算，然后在 device 块中定义了变量和运算，最后使用会话来运行运算。
如果你想使用 PyTorch 库实现 GPU 加速，你可以使用以下代码：
import torch
# 指定使用 GPU 进行运算
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# 定义变量和运算
a = torch.randn(1, 3, device=device)
b = torch.randn(1, 3, device=device)
c = a + b
# 打印运算结果
print(c)
在上面的代码中，我们使用了 torch 库中的 device 变量来指定使用 GPU 进行运算，然后在 device 变量所指定的设备上定义
如果你不想使用 TensorFlow 或 PyTorch 这些深度学习框架，但是又想使用 GPU 加速你的 Python 项目，你可以使用一些低级的 Python 库，如 CUDA 或 PyCUDA。
CUDA 是 NVIDIA 提供的用于编写高性能并行代码的编程模型，PyCUDA 是一个 Python 封装库，可以让你使用 Python 代码调用 CUDA API。
你需要先安装 NVIDIA 的 CUDA 工具包，然后使用 pip 安装 PyCUDA：
pip install pycuda
安装完成后，你就可以在 Python 代码中使用 PyCUDA 来调用 CUDA API 了。例如：
import pycuda.autoinit
import pycuda.driver as drv
import numpy
from pycuda.compiler import SourceModule
mod = SourceModule("""
__global__ void multiply_them(float *dest, float *a, float *b)
{
const int i = threadIdx.x;
dest[i] = a[i] * b[i];
}
""")
multiply_them = mod.get_function("multiply_them")
a = numpy.random.randn(400).astype(numpy.float32)
b = numpy.random.randn(400).astype(numpy.float32)
dest = numpy.zeros_like(a)
multiply_them(
drv.Out(dest), drv.In(a), drv.In(b),
block=(400,1,1), grid=(1,1))
print(dest-a*b)
这段代码会在 GPU 上并行地计算两个数组的 element-wise 积，并将结果存储在第三个数组中。
注意，使用 PyCUDA 或 CUDA 编写高性能代码需要一定的编程经验和深入了解 GPU 并行编程的知识，如果你没有这方面的经验，可能会很难编写高效的代码。所以，如果你不想使用 TensorFlow 或 PyTorch 这些深度学习框架，但是又想使用 GPU 加速你的 Python 项目，还有一种选择就是使用 Numba。
Numba 是一个 Python 库，可以让你使用 Python 代码调用 NVIDIA 的 CUDA 库，实现 GPU 加速。
你可以使用 pip 安装 Numba：
pip install numba
安装完成后，你就可以在 Python 代码中使用 Numba 来调用 CUDA 库了。例如：
from numba import cuda
import numpy as np
@cuda.jit
def add_kernel(x, y, out):
i = cuda.grid(1)
out[i] = x[i] + y[i]
def add(x, y):
out = np.empty_like(x)
add_kernel[1, out.size](x, y, out)
return out
x = np.random.rand(100)
y = np.random.rand(100)
print(add(x, y))
这段代码会在 GPU 上并行地计算两个数组的 element-wise 和，并将结果存储在第三个数组中。
与 PyCUDA 不同的是，Numba 使用的是 Python 的函数装饰器来指定哪些函数需要在 GPU 上执行，这使得使用 Numba 比使用 PyCUDA 更加简单，同时也更加方便。
希望这些信息能帮到你！