随着数据量的指数级增长，训练大规模深度学习模型对计算能力的需求日益加剧。然而，模型规模和复杂性的快速提升，引发了在日益紧张的能源和基础设施限制下，如何实现公平获取计算资源的担忧。图形处理器已成为加速此类工作负载的关键硬件。本研究在英特尔至强CPU和英伟达Tesla T4 GPU上，使用TensorFlow和PyTorch框架对四种深度学习模型进行了基准测试。实验结果表明，与CPU训练相比，GPU训练平均可实现显著的加速效果，具体倍数取决于模型复杂度。其中，轻量级模型获得了最高的加速比，中型模型的加速倍数居中，而复杂的生成模型也实现了可观的性能提升。此外，在PyTorch与TensorFlow的对比中，观察到TensorFlow的内核融合优化技术能有效降低推理延迟。研究还分析了GPU内存使用趋势，并基于多项式回归对未来需求进行了预测。研究结论强调，尽管GPU对于维持人工智能的发展至关重要，但对于计算预算有限的机构而言，实现GPU资源的民主化共享访问，对于推动广泛的研究创新具有关键意义。