要让软件使用GPU运算，可以采取以下几种方法：
使用Matlab的gpuArray
Matlab本身支持使用Nvidia的GPU进行计算。只需确保你的电脑配备了Nvidia显卡，并在Matlab中运行`gpuDevice`来确认GPU设备是否可用。在使用GPU计算时，可以将CPU中的数据复制到GPU内存中，例如使用`gpuArray`函数。计算过程会自动调用GPU进行计算，并且可以方便地在GPU和CPU之间传递数据。
使用GPU加速的容器镜像
可以创建一个包含GPU驱动和相关依赖的容器镜像，并将其部署到云服务平台如阿里云容器服务。在函数计算中通过自定义容器的方式，指定这个容器镜像来运行函数，从而利用GPU资源。
使用第三方GPU云服务
可以利用第三方GPU云服务如NVIDIA的GPU云（NGC）等，通过API接口在函数计算中调用这些服务提供的GPU资源来执行计算任务。
使用CuPy库
CuPy是一个与NumPy高度兼容的库，它允许在GPU上运行代码。首先需要确保系统已经配置了NVIDIA的CUDA工具包，然后通过pip安装合适版本的CuPy。安装完成后，可以通过简单的代码验证CuPy是否正常运行，并进行GPU运算。
使用深度学习框架
如果你在进行深度学习相关的工作，可以使用如PyTorch或TensorFlow等框架。这些框架默认支持GPU运算，只需将数据加载到GPU设备上，然后进行模型训练和推理即可。
使用CUDA或OpenCL编程框架
对于C++开发者，可以使用CUDA或OpenCL编程框架直接编写GPU代码。这些框架提供了对GPU的直接访问和操作，可以实现高效的并行计算。
选择哪种方法取决于你的具体需求、所使用的软件环境以及是否愿意进行额外的配置和管理。对于简单的数值计算，使用Matlab或CuPy可能更为方便；而对于复杂的深度学习任务，则可能需要使用专门的深度学习框架。