Tensorflow框架GPU使用

 在配置好GPU环境的TensorFlow中，如果操作没有明确地指定运行设备，那么TensorFlow会优先选择GPU，但只会选择一个GPU来计算。

可以通过tf.device来手动指定：

import tensorflow as tf

with tf.device('/cpu:0'):

    a = tf.constant([1.0, 2.0, 3.0], shape=[3], name = 'a')

    b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')

with tf.device('/gpu:1'):

    c = a + b

#加入参数，将运行每一个操作的设备输出到控制台

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

print sess.run(c)

   

 但是有些操作是不能放在GPU中的，如果程序中全部使用强制指定设备的方式会降低程序的可移植性，解决方法如下：

 TensorFlow在生成会员时可以指定allow_soft_placement参数为True，如果运算无法由GPU执行，那么TensorFlow会自动放在CPU中执行。如

import tensorflow as tf

a_cpu = tf.Variable(0, name="a_cpu")

with tf.device('/gpu:0'):

    a_gpu = tf.Variable(0, name='a_gpu')

#通过allow_soft_placement参数自动将无法放在GPU上的操作放回CPU中

sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))

sess.run(tf.initialize_all_variables())

Tip:一般将计算密集型的运算放在GPU上，而将其他操作放在CPU中。