从实践的角度，只是分享一些想法。我没有任何研究（博士）类型的经验，您的主管可能会在下面传达类似的内容。

并且，这里的并行计算，我个人定义为使用图形卡 GPU 内核进行计算加速的单台 PC，而不是集群计算。

一些理论思考

有时，值得在 ML 世界中的相同数据上构建多个模型，甚至多次构建相同的模型。

这个例子就像：

• 使用交叉验证（多次使用相同的方法）来获得稳健的模型输出或参数。或者
• 具有大量弱学习器（多个模型）的模型集成以获得更好的准确性。

那些 ML 过程非常耗时，而并行化可以帮助减少时间。

此外，根据提供的信息，我假设您的 ML 项目是具有 GPU 加速的图像识别。但我不知道这个项目的主要目的是什么。它可以是开发/改进新的 ML 方法，或者比较已知的 ML 方法以形成学术评论。无论如何，我认为，结果仍应达到一定的准确度。

因此，考虑一些有效的方法（例如并行计算）来加速建模过程是有意义的。

一些实际的考虑

实际上，效率非常重要。当你有一个理论上准确的模型，但需要很长时间来构建模型时，这是不可接受的。

您可以退后一步说让我们回到一些准确度较低的简单快速模型。但是，当传统方法具有相似或更好的准确性时，ML 的意义何在？

个人回答问题

1) 我是否应该花费大量时间与 CUDA 并行化？ 并行化有助于加快 ML 训练。CUDA 是一种很酷的技术，可以学习和应用于 ML。只需平衡项目的主要目的和时间之间的时间。

2) CUDA 仍然是一个可行的研究框架吗？这意味着你的报告/论文/论文的第一章。至少，越来越多的 ML 使用深度学习，在涉及 GPU 的情况下可以更快。

3）在研究之外的世界中，这会让获得 ML 工作变得更容易吗？我不能肯定地说知道 CUDA/并行会让你成为顶级玩家（因为也会考虑其他方面）。但是当其他候选人具有相似的背景时，具有并行计算经验的候选人会脱颖而出。