要让Python使用GPU进行数据处理，可以使用第三方库如NumPy和PyTorch来实现。下面是一个使用PyTorch的示例代码：

import torch

# 检查是否有可用的GPU
if torch.cuda.is_available():
    device = torch.device("cuda")  # 使用GPU
else:
    device = torch.device("cpu")   # 没有GPU，使用CPU

# 创建数据
x = torch.tensor([1.0, 2.0, 3.0, 4.0, 5.0])
y = torch.tensor([2.0, 4.0, 6.0, 8.0, 10.0])

# 将数据移动到设备
x = x.to(device)
y = y.to(device)

# 创建模型
model = torch.nn.Linear(1, 1).to(device)

# 定义损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    # 前向传播
    outputs = model(x)
    loss = criterion(outputs, y)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 每10个epoch打印一次损失
    if (epoch+1) % 10 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

# 在CPU上打印预测结果
predicted = model(x).detach().cpu().numpy()
print('预测结果：', predicted)

在上述示例中，我们首先检查是否有可用的GPU，并根据结果选择使用GPU还是CPU。然后，我们创建了一些示例数据，并将其移动到选择的设备。接下来，我们定义了一个简单的线性模型，并选择了均方误差损失函数和随机梯度下降优化器。然后，我们循环训练模型，并使用GPU进行前向传播、反向传播和优化。最后，我们将预测结果移回CPU，并打印出来。

请注意，要运行此代码，您需要在计算机上安装PyTorch库。