我们简单分析一下，硬件角度，主要分为计算机硬件（简单来说就是电脑）和显卡硬件（也就是GPU），这里计算机硬件为host端，显卡硬件为GPU端。
接着，我们从图片中计算机硬件来进行分析。这里，我们统一采用Ubuntu系统（Ubuntu18.04或者Ubuntu20.04）都可以，这里我们不采用Windows系统，因为Windows系统运行深度学习模型有一定的限制。
此外，为了方便课程教学，我们统一选择使用Ubuntu系统。在Ubuntu系统上，我们选择安装Anaconda，一句话来解释Anaconda是啥----就是Python环境管理器；简单来说，我们做Python开发，都需要一个Python解释器（比如Python3.7）和一组依赖包（比如：Pytorch、PyQt、NumPy等等），而由于不同Python解释器和依赖包的版本问题，我们就使用Anaconda进行Python环境的隔离和封装，可以在一个系统下隔离出多套Python解释器+一组依赖包的组合，如上图所示。
下一步，我们可以看到，这些不同的Python环境都指向了cudnn的一个对象，这就是一个神经网络的加速计算库，可以理解就是开发特定应用提供的SDK，因为GPU不仅仅可以进行科学计算，还可以用来玩游戏、图形仿真等等，所以不同的方向有不同的加速库。
然后，cudnn调用cuda，cuda简单来说就是对gpu具体操作的封装，这样方便我们直接调用。最后，我们看到计算机和GPU之间是通过显卡驱动来连接的（这里是NVIDIA驱动）。上述的关系图只是概略图，大家了解组件之间的关系就行。