在深度学习中，使用GPU加速模型训练和推断已经成为了一个常见的做法。而CUDA（Compute Unified Device Architecture）则是NVIDIA提供的用于GPU编程的平台和API。很多常用的深度学习框架如TensorFlow、PyTorch等都支持CUDA，许多优化后的GPU操作代码都会默认使用CUDA。

那么，必须装CUDA吗？答案是视情况而定。如果您需要使用GPU来运行深度学习框架，则需要安装CUDA；否则，您可以不使用它。

下面我们来看一些代码示例，了解CUDA在深度学习中的应用。

首先是TensorFlow中使用GPU的示例：

import tensorflow as tf  

# 查看是否支持GPU加速
print(tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None))

# 创建一个计算图
with tf.device('/gpu:0'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  c = tf.matmul(a, b)

# 创建会话并运行计算图
with tf.Session() as sess:
  print (sess.run(c))

在运行这段代码之前，您需要先安装CUDA，并且确保您的GPU和CUDA版本与TensorFlow的要求一致。

接下来是PyTorch中使用GPU的示例：

import torch

# 查看GPU是否可用
print(torch.cuda.is_available())

# 创建Tensor并使用GPU计算
if torch.cuda.is_available():
    x = torch.Tensor([1.0, 2.0]).cuda()
    y = torch.Tensor([3.0, 4.0]).cuda()
    z = x + y
    print(z)

同样地，在运行这段代码之前，您需要先安装CUDA，并且确保您的GPU和CUDA版本与PyTorch的要求一致。

综上可见，如果您需要使用GPU来运行深度学习框架，则必须安装相应的CUDA。当然，如果您的模型不需要使用GPU，则可以不安装