参考文献：
基于GPU的矩阵计算并行加速方法研究_李丰 哈尔滨工业大学博士论文
在工业级别中，为了提高机器学习模型运算的速度，甚至是可以牺牲一定的准确度。程序员想尽了一切办法，一般从两个方面去提高模型的运算速度，一方面是提高硬件的性能，另一方面是利用硬件的特点，尽量加快运算的速度，不断优化算法。
接下来结合GPU的特点来说明矩阵加速的原理
GPU是专门为了图像渲染设计的，所以一定很适合做矢量运算。
比如卷积运算，一般都用矩阵运算完成，所以深度学习一般都是用GPU去运算。
GPU是一个高度线程化的流式处理器组成的序列，一个GPU包含的流式处理器越多，就可以在同一时刻处理更多的任务。GPU架构如下：
GPU的并行是单指令多数据的并行，而很多计算问题又不可避免地出现数据依赖，因此GPU上的矩阵计算要处理数据依赖问题； 在解决数据依赖问题同时，也要提高计算资源的利用效率。
矩阵分为稀疏矩阵和稠密矩阵
接下来介绍CUBA（pytorch中常常用到cuba加快矩阵运算速度）
cuba可以利用NVIDIA系列显卡对一些复杂的计算进行并行加速。
利用cuba可以让代码既可以使用CPU执行，也可以用GPU执行。即使是有GPU的机器，它也不会自动使用GPU，而是需要在程序中显示指定。调用model.cuda()，可以将模型加载到GPU上去。pytorch cuba官方使用文档如下
https://pytorch-cn.readthedocs.io/zh/latest/notes/cuda/