这会根据您的数据和模型的复杂性而变化。请参阅microsoft的以下文章。他们的结论是

结果表明，对于所有模型和框架，GPU 集群的吞吐量始终优于 CPU 吞吐量，证明 GPU 是深度学习模型推理的经济选择。...

需要注意的是，对于参数数量不如深度学习模型多的标准机器学习模型，CPU 仍应被视为更有效且更具成本效益。

由于您正在训练 MLP，因此不能将其视为标准机器学习模型。请参阅我的预印本，使用大型训练数据集 KDD99 对分类准确度的影响。我使用 weka 比较了不同的机器学习算法。

从上图中可以看出，MLP 需要 722 分钟来训练，而朴素贝叶斯大约需要 2 分钟。如果您的数据很小并且您的模型参数不高，那么您会在 CPU 上看到更好的性能。

我建议您始终使用 GPU 而不是 CPU 来训练您的模型。这是由对数据非常丰富的图像和文本使用深度学习方法推动的。

您必须有一个非常适合训练的 GPU（例如 NVIDIA 1080、NVIDIA Titan 或更高版本），如果您没有强大的 GPU，我不会惊讶地发现您的 CPU 更快。

这取决于，如果你要解决一个“简单”的问题，它不需要 CNN 或没有多维数据且没有很多乘法的堆叠模型，那么如果你决定使用 CNN / 堆叠架构和 GPU，那就像使用锤子一样插入针头。它不仅会消耗能量，而且计算会在内存中进行零填充，您会观察到速度下降。