TensorFlow使用GPU

1.在运行之前先查看GPU的使用情况： 
指令：nvidia-smi 备注：查看GPU此时的使用情况

2.指定GPU训练： 
方法一、在python程序中设置： 
代码：os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0’ 备注：使用 GPU 0 
代码：os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0,1’ 备注：使用 GPU 0，1 
方法二、在执行python程序时候： 
指令：CUDA_VISIBLE_DEVICES=2 python yourcode.py 
指令：CUDA_VISIBLE_DEVICES=0,1 python yourcode.py 
备注：‘=’的左右不允许有空格
 

3.两种限定GPU占用量的方法： 
方法一、设置定量的GPU显存使用量: 
config = tf.ConfigProto() 
config.gpu_options.per_process_gpu_memory_fraction = 0.4 # 占用GPU40%的显存 
session = tf.Session(config=config) 
方法二、设置最小的GPU显存使用量，动态申请显存:（建议） 
config = tf.ConfigProto() 
config.gpu_options.allow_growth = True 
session = tf.Session(config=config)
 

4.将数据的处理使用多线程的queue在CPU上进行，使得GPU随时都有充足的数据使用，更专注于训练，这样可以大幅度提升模型的训练速度。 
with tf.device(‘/cpu:0’): 
# function to get and process images or data. 
distorted_inputs = load_and_distort_images()
 

参考：https://blog.csdn.net/u013841196/article/details/82468884