深度学习怎么让代码运行在gpu上

要让深度学习代码运行在GPU上，需要使用GPU加速库，例如CUDA。CUDA是由NVIDIA开发的一种并行计算平台和编程模型，可以利用GPU的并行计算能力来加速深度学习模型的训练和推理。

在使用深度学习框架（如TensorFlow、PyTorch等）时，可以通过设置相应的参数来将计算任务分配到GPU上进行加速。通常来说，代码会默认使用CPU来运行，但是可以使用框架提供的GPU加速接口将计算任务传递给GPU来处理，例如在PyTorch中使用`model.cuda()`将模型加载到GPU上，或者在TensorFlow中使用`with tf.device('/GPU:0'):`将计算任务分配到GPU上执行。

需要注意的是，GPU加速需要相应的硬件支持，如具备GPU的计算机或者云服务器，并且需要安装相应的GPU驱动、CUDA以及深度学习框架等软件。