通常，深度学习模型都是运行在GPU(图像处理器单元），因为它有SIMD并行化指令，所以能够快速处理图片。SIMD全称Single Instruction Multiple Data，单指令多数据流，能够复制多个操作数，并把它们打包在大型寄存器的一组指令集。其实CPU也可以使用SIMD指令，只不过GPU更擅长使用SIMD并行指令，GPU拥有更好地性能。Python的numpy库中矩阵运算会运用SIMD并行指令，从而获得更高的运算速度。所以深度学习会尽可能避免使用循环，尽量地多使用numpy库。下面举一个例子，看看他们之间的性能差距：
例子中可以看出，矩阵运算的效率会比循环运算高出将近600倍。
在使用numpy库时，通常有两点值得注意：
（1）使用矩阵而不要使用数组，如果该使用矩阵的时候使用了数组，会报一些莫名其妙的错误，下面举一个例子，以便于理解：
创建数组的时候，通常使用np.random.randn(5,1)形式，而不要使用np.random.randn(5)，因为后者创建的是数组而不是矩阵。
（2）理解numpy的广播原则
首先举一个例子，计算每种食物各种成分的百分比：
下面是该题的源代码：
上面代码中，In [5]处的cal.reshape(1,4)显得有些多余，因为cal已经是一个1行4列的矩阵，但是这样做能够有效避免（1）所提到的错误。
计算percentage = 100*A/cal.reshape(1,4)时，cal矩阵首先进行了广播，广播后的形式为：
[ 59. 239. 155.4 76.9
59. 239. 155.4 76.9
59. 239. 155.4 76.9
59. 239. 155.4 76.9]
那么numpy的广播原则是怎样的呢，先看看下面这图：
图中，前两行的意思是：当一个m行n列矩阵与一个（1，n)或（m,1)矩阵运算时，(1,n)会复制m行广播为（m,n)矩阵，（m,1)会复制n列广播为(m,n)矩阵。
图中，后三行的意思是：当一个行矩阵或列矩阵与一个实数运算时，实数会广播成为与矩阵维数相同的同元素矩阵。
参考资料：
网易云课堂《神经网络和深度学习》第二周，吴恩达
